Guia de Modelacion Hidrologica para La in 2

Guía de
modelación
hidrológica
para la infraestructura
natural
Infraestructura
Natural
para la Seguridad Hídrica
Autores:
Boris F. Ochoa-Tocachi1,2
José Cuadros Adriazola3
Edwing Arapa Guzmán3
Natalia Aste Cannock3
Eric Ochoa-Tocachi1
Vivien Bonnesoeur3
Revisión
Morgane Lalonde-Le Pajolec2
Víctor Alarcón Jibaja3
Fabian Drenkhan2
Francisco Román3
Wouter Buytaert2
Gena Gammie4
Editado por Forest Trends Association. Av. Ricardo Palma 698, Miraflores
1ª edición, enero 2022
Producción y cuidado de edición: Gabriel Rojas Guillén4

Revisión: Doris Mejía V.4
Mediación: Mercy Sandoval Carnaque4 | Guisella Infantes4 | Gabriel Rojas Guillén4

Corrección de estilo: Antonio Luya Cierto
Diseño y diagramación: Javier Domínguez | Juan José Vásquez
Imagen de portada: Natalia Aste Cannock3
Esta publicación fue posible gracias al apoyo de la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID)
y el Gobierno de Canadá. Las opiniones expresadas en este documento son las de los autores y no reflejan necesariamente
las opiniones de USAID ni del Gobierno de Canadá.
1 ATUK Consultoría Estratégica; Cuenca, Ecuador.

2 Imperial College London; Londres, Reino Unido.
3 CONDESAN; Lima, Perú.
4 Forest Trends; Washington DC, Estados Unidos.
2 Proyecto Infraestructura Natural para la Seguridad Hídrica

Foto: Julio Reaño
Guía de modelación hidrológica para la infraestructura natural 3

Foto: Renny Daniel Díaz Aguilar

Prólogo
Cada día tenemos más evidencias de la creciente doble mitigar los riesgos hídricos. Las y los responsables de
crisis de cambio climático e inseguridad hídrica. Los la gestión de los recursos hídricos, el desarrollo de
picos y caídas en el ciclo del agua se traducen en proyectos, y los sustentos técnicos, deben trabajar
inundaciones y sequías en nuestros hogares y empresas, juntos –de forma estratégica y ágil—para usar la mejor
y en pérdidas y daños en nuestras comunidades. información disponible para apoyar la acción con el
cuidado y la urgencia que se requiere en este momento.
Al mismo tiempo, estamos perdiendo aliados
fundamentales en esta lucha: la deforestación y la En Perú, nuestro Proyecto Infraestructura Natural para
degradación de los ecosistemas han aumentado a la Seguridad Hídrica tiene como objetivo movilizar y
niveles sin precedentes, debilitando los mismos ampliar las inversiones en infraestructura natural.
ecosistemas que podrían ayudarnos a adaptarnos a los Nuestra experiencia nos ha enseñado que los modelos
extremos de nuestra nueva realidad. hidrológicos desempeñan un papel fundamental en
este proceso, pero también que, lamentablemente, a
Sin embargo, también vemos compromisos sin precedentes menudo se quedan cor tos a la hora de generar
para hacer frente a estas crisis. Los gobiernos, las empresas información que sea útil, utilizable y utilizada para tomar
y la sociedad civil están empezando a unirse para crear mejores decisiones.
soluciones políticas y financieras innovadoras. En cuanto
a la infraestructura natural para el agua, hay cientos de Este documento es nuestra respuesta a la necesidad de
miles de millones de dólares de nuevo financiamiento contar con una guía para la evaluación cuantitativa de
sobre la mesa – tanto en países desarrollados como en los impactos hídricos de las intervenciones sobre la
países en desarrollo. infraestructura natural que sea accesible para equipos
integrados de responsables de la toma de decisiones y
Para priorizar esos recursos y movilizar las inversiones, especialistas técnicos. Esperamos que este documento
es necesario describir y cuantificar cómo esperamos sea una contribución valiosa al diseño, evaluación y
que esas intervenciones sobre la infraestructura natural movilización de inversiones que tanto necesitamos en
beneficien a nuestras comunidades y contribuyan a estos momentos.
Fernando Momiy Hada Gena Gammie

Director, Proyecto Infraestructura Natural para la Directora Adjunta, Proyecto Infraestructura Natural
Seguridad Hídrica para la Seguridad Hídrica
Forest Trends Forest Trends

CONTENIDO
INTRODUCCIÓN 9
Objetivos de la Guía de modelación 10
¿A quién se dirige esta guía? 10
¿Cómo se organiza esta guía? 11
1. MARCO CONCEPTUAL 14
1.1 Infraestructura natural 15
1.2 Servicios ecosistémicos hídricos 18
1.3 Cascada de servicios ecosistémicos 20
1.4 La práctica de la modelación hidrológica 22
1.5 Desarrollo de modelos hidrológicos 25
1.6 Objetivos de la modelación hidrológica 28
VOLUMEN I 30
DEFINIR MODELOS PARA TOMA DE DECISIONES 32
Paso 1. Preguntas de gestión y su alcance 36
Paso 2. Servicios ecosistémicos prioritarios 40
Paso 3. Intervenciones sobre la infraestructura natural que se buscan 46
modelar
Paso 4. Contexto de toma de decisiones, recursos y capacidades 50
Paso 5. Evaluación de modelos hidrológicos disponibles 54
Tipos de modelos hidrológicos 55
Modelos hidrológicos populares 57
Seleccionar el modelo más apropiado 63
Ejemplo de aplicación 64
VOLUMEN II 70
IMPLEMENTAR, VALIDAR Y ANALIZAR MODELOS HIDROLÓGICOS 72
Paso 6. Datos e información 74
Relevancia, credibilidad y legitimidad 75
Importancia de las observaciones y mediciones 76
Disponibilidad de datos secundarios 79

Paso 7. Escenarios de modelación 84
Escenario BASE o actual 85
Escenario BAU (Business As Usual) o Tendencial 87
Escenario PES (pesimista) o de degradación máxima potencial 88
Escenario IN o de recuperación de la infraestructura natural 89
Escenario SEM (sustainable ecosystem management) u optimista 90
Escenarios de cambio climático 91
Paso 8. Calibración y validación de modelos 94
Calibración manual y automática de parámetros 94
Muestreo automático de parámetros 96
Evaluación de desempeño 98
Validación 103
Paso 9a. Análisis de sensibilidad 104
Análisis de sensibilidad manual y automático 102
RSA: Análisis de sensibilidad regional 106
PAWN: Sensibilidad basada en distribución de salida 108
Diferencias entre los métodos RSA y PAWN 110
Utilidad del análisis de sensibilidad 111
Paso 9b. Análisis de incertidumbre 114
Fuentes de incertidumbre 115
Propagación de incertidumbre 118
Métodos de análisis de incertidumbre 119
Método GLUE (generalised likelihood uncertainty estimation) 120
Otros métodos para estimación de incertidumbre 122
Paso 10. Interpretación de resultados 124
Aclaraciones sobre el uso del p-valor 126
Comunicando los resultados de modelamiento 127
Ejemplo de aplicación 129
CONCLUSIONES, RECOMENDACIONES E IDEAS CLAVE 136
REFERENCIAS 140

Foto: Ana Castañeda

Introducción
Alrededor del mundo, los gobiernos, las empresas y las consideraciones técnicas como con valores e intereses
comunidades se enfrentan a un futuro cada vez más no técnicos. Por lo tanto, el éxito del proceso de
difícil e incierto por las crisis del agua que se intensifican modelamiento requiere que las y los especialistas técnicos,
y se complejizan debido a factores como el crecimiento par tes interesadas y responsables de la toma de
poblacional y el cambio climático. Muchos actores ahora decisiones trabajen juntos para generar información que
están considerando una nueva clase de activos para finalmente sirva para tomar buenas decisiones.
hacer frente a los riesgos hídricos: la infraestructura
natural, incluyendo los bosques, pajonales, humedales y Usar los modelos hidrológicos para mejorar las decisiones
otros elementos que componen los paisajes de nuestras sobre la infraestructura natural requiere entender sus
cuencas hidrográficas y que realizan funciones críticas fortalezas, así como sus limitaciones. La modelación
para apoyar la fiabilidad de la cantidad y calidad del agua. hidrológica, en sí misma, debe ser vista como una herramienta
útil pero también incierta. Tal como en la evaluación de
Aunque la infraestructura natural para el agua ha ganado infraestructura gris, su uso inteligente en la toma de
auge en los últimos años, pasar de la aspiración a la decisiones exige transparentar las fuentes de error, analizar
acción requiere responder a algunas preguntas clave, en forma crítica los resultados obtenidos y reconocer la
como: ¿Dónde están las áreas prioritarias para las inversiones probabilidad de que los valores reales se encuentren fuera
en la infraestructura natural, dado los riesgos hídricos que del intervalo de confianza obtenido con la modelación.
enfrentamos y la infraestructura hidráulica de la que
dependemos? ¿Cómo y cuánto deberíamos invertir en la Asimismo, la modelación no es un reemplazo para el
infraestructura natural y en la infraestructura convencional monitoreo. En zonas escasas de datos, muchas veces
para alcanzar nuestros objetivos hídricos? ¿Cómo podemos existe un interés en usar la modelación hidrológica para
elegir entre los proyectos de infraestructura natural propuestos? estimar los impactos de un curso de acción – y los
modelos pueden agregar valor en estos casos. Sin
Los modelos hidrológicos son una herramienta embargo, los modelos mismos son más confiables cuando
fundamental para ayudar a las y los responsables para usan datos observados en el sistema que trata de
la gestión de recursos hídricos a responder a estas representar –o territorios muy similares. Aun cuando
preguntas, y así entender sus opciones y tomar buenas avanzamos con la aplicación de modelos para tomar
decisiones. Un modelo hidrológico es una representación decisiones en el corto plazo, debemos buscar la manera
simplificada del ciclo del agua que utiliza conceptos y de inver tir en el monitoreo de datos eco-hidro-
aproximaciones de los procesos reales del sistema meteorológicos para mejorar nuestra capacidad de
hidrológico. A través de comparaciones entre análisis y gestión en el mediano y largo plazo.
representaciones de la realidad y escenarios alternativos
que podamos generar en un modelo hidrológico, se Esta guía busca orientar la evaluación de los beneficios
puede producir estimaciones cuantitativas de los hídricos producto de las intervenciones sobre la
beneficios hídricos de distintos cursos de acción (o infraestructura natural utilizando modelos hidrológicos,
inacción) en la infraestructura natural. teniendo en cuenta los retos particulares que se
presentan en estos ejercicios. Se construye sobre
Sin embargo, el uso de modelos hidrológicos plantea insumos valiosos, como el de la Guía para seleccionar
muchos retos que pueden impedir que se genere modelos de ser vicios ecosistémicos para la toma de
información útil para la toma de decisiones, especialmente decisiones, publicada por el World Resources Institute
sobre la infraestructura natural. Muchos de estos retos (Bullock & Ding 2018), y aprendizajes prácticos generados
se reducen a los aspectos técnicos del análisis. Si bien en ejercicios de modelación hidrológica, principalmente
hay varios manuales y guías escritas por y para especialistas en la región andina. Esperamos que esta guía sea un
técnicos para apoyar en estos aspectos (p.ej., Beven, recurso útil, utilizable y utilizado tanto para quienes
2011; Arnold et al., 2021; Pianosi et al., 2015; Rogers et toman las decisiones y como para el equipo técnico
al., 2018), muchos de estos retos tienen que ver con el encargado de la modelación hidrológica, así tendiendo
alcance y enfoque del estudio de modelación, la selección un puente que permitirá que el proceso de modelación
del modelo más adecuado y la interpretación de los genere resultados relevantes y robustos para las preguntas
resultados – aspectos que tienen que ver tanto con de gestión del contexto específico.

Objetivos de la Guía de modelación
El objetivo general de esta guía es proporcionar criterios para el planteamiento, la selección y el uso de modelos
destinados a cuantificar los beneficios hidrológicos previstos de la implementación de proyectos de infraestructura natural.
Los objetivos específicos son:
• Guiar la identificación de preguntas de gestión y el contexto de toma de decisiones sobre las cuales se busca
implementar intervenciones en la infraestructura natural, con el objeto de asegurar que puedan ser modeladas
de manera adecuada;
• Apoyar la selección de modelos hidrológicos apropiados para el contexto de toma de decisiones, con base
en los servicios ecosistémicos hídricos prioritarios, las intervenciones planteadas y la disponibilidad de datos,
capacidades técnicas y recursos disponibles;
• Describir las características de los modelos hidrológicos y del proceso de modelación para la cuantificación
de beneficios hidrológicos producto de las intervenciones sobre la infraestructura natural;
• Guiar la implementación de modelos hidrológicos para la evaluación de la infraestructura natural, describiendo

y recomendando acerca de su calibración, validación, análisis de sensibilidad e incertidumbre, así como
interpretación de resultados para la toma de decisiones.
¿A quién se dirige esta guía?
Esta guía está dirigida a profesionales que usan o requieren utilizar modelos hidrológicos:
1. Especialistas en modelación hidrológica, cuyos modelos deban ser usados en proyectos de intervenciones
sobre la infraestructura natural para la seguridad hídrica.
2. Especialistas en la formulación y evaluación de proyectos —con o sin entrenamiento en hidrología— en

infraestructura natural, que requieran modelar escenarios para futuras intervenciones o evaluar los
beneficios de determinadas intervenciones sobre la infraestructura natural.
3. Tomadoras y tomadores de decisión que no sean especialistas en hidrología o en modelación hidrológica,

pero que requieran los resultados de modelos hidrológicos a fin de tomar y evaluar decisiones sobre
proyectos de infraestructura natural.

Foto: Consejo de Recursos Hídricos de Cuenca Chancay -Lambayeque
¿Cómo se organiza esta guía?
La Guía de modelación empieza con un marco conceptual que describe los conceptos básicos de infraestructura
natural y servicios ecosistémicos hídricos; así, introduce la práctica de la modelación hidrológica, sus objetivos y
aplicación. Luego, divide esa práctica en dos fases, desarrolladas en dos volúmenes. El Volumen I se dirige a
profesionales, con o sin formación hidrológica, durante la primera etapa del proceso de modelación, donde se
define el alcance y contexto de la modelación, y que concluye en la elección de modelos para la toma de decisiones.
El Volumen II presenta detalles técnicos y se dirige a especialistas durante la segunda etapa del proceso de
modelación hidrológica, donde se implementan, validan y analizan modelos. Para cada volumen se incluye un
ejemplo de aplicación, y al final se presentan algunas conclusiones derivadas de este trabajo.
Este diálogo de saberes permite que profesionales que no son especialistas en hidrología puedan acompañar,
supervisar e involucrarse en la práctica de modelación hidrológica, junto con quienes sí son especialistas.
Asimismo, posibilita que el equipo de especialistas entienda la modelación como parte de un proceso integral,
participe de este desde la formulación de las preguntas de gestión, y defina el alcance de la modelación dentro
de un contexto dado de toma de decisiones.

El contenido principal de este documento se divide en dos volúmenes, cada uno de
los cuales comprende cinco pasos:
Volumen I. Selección del modelo hidrológico más apropiado para el contexto en cuestión
Paso 1. Determinar las preguntas de gestión y definir su alcance.
Paso 2. Identificar los servicios ecosistémicos hídricos prioritarios.
Paso 3. Conceptualizar las intervenciones sobre la infraestructura natural que se desean modelar.
Paso 4. Reconocer el contexto de toma de decisiones, los recursos, datos y capacidades disponibles.
Paso 5. Evaluar los modelos hidrológicos en este contexto y seleccionar el más apropiado.
Volumen II. Detalles de la implementación de la modelación, con lineamientos y recomendaciones
Paso 6. Generar datos primarios o, en su defecto, compilar datos secundarios.
Paso 7. Elaborar escenarios de modelamiento para la evaluación de impactos futuros o alternativos.
Paso 8. Calibrar y validar el modelo hidrológico de manera robusta e idealmente automatizada.
Paso 9. Evaluar los cálculos y el desempeño del modelo mediante análisis de sensibilidad y de incertidumbre.
Interpretar los resultados adecuadamente, con el objeto de generar indicadores relevantes

Paso 10.
para la toma de decisiones.


1. Marco Conceptual
Infraestructura
natural
Conceptos básicos Servicios

en infraestructura ecosistémicos
natural
Cascada de servicios
ecosistémicos
MARCO
CONCEPTUAL
La práctica de la
modelación
hidrológica
Conceptos básicos Desarrollo de

en modelación modelos
hidrológica hidrológicos
Objetivos de la
modelación
hidrológica

Foto: Alberto Sotomayor
1.1 Infraestructura natural

La infraestructura natural es la red de espacios agua, control de inundaciones, entre otros cobeneficios.
naturales (agua, suelos, vegetación, subsuelo, Entonces, las acciones de manejo e intervenciones se
biodiversidad, etc.) que conser van los valores y implementan teniendo en cuenta los beneficios prioritarios
funciones de los ecosistemas, proveyendo servicios que se quieren mantener o potenciar, con conocimiento
ecosistémicos (regulación climática e hidrológica, de causa y no al azar. Es importante señalar que la
captura de carbono, purificación del aire, etc.) (MINAM, conservación y la protección de la infraestructura natural
2019a). Entiéndase la red de espacios naturales como son también una forma de manejo.
el conjunto de ecosistemas recuperados y conservados,
ya sea con acciones tangibles (zanjas, canales, diques, Se diferencia de la infraestructura “gris” convencional,
cercos, etc.), como intangibles (protección, exclusión, como presas, túneles, o incluso fábricas y carreteras, los
capacitaciones, zonificación, etc.). Sus componentes cuales son completamente construidos por seres
pueden ser parte de ecosistemas naturales, así como humanos (Figura 1). La infraestructura natural guarda
de ecosistemas con diferentes grados de alteración,
una relación cercana con la infraestructura “verde”,
paisajes manejados y otros espacios intervenidos.
término que incluye también sistemas que generan
resultados ambientales positivos, como los drenajes
Dichas áreas o sistemas que constituyen la infraestructura
natural pueden ser naturales o naturalizadas y son urbanos sostenibles o la energía renovable (IISD, 2018).
manejados intencionalmente a fin de proveer múltiples En muchos casos, la infraestructura natural puede ser
beneficios para el ambiente y el bienestar humano (IISD, más costo–efectiva y sostenible que la infraestructura
2018). La infraestructura natural puede considerarse gris, cumplir múltiples funciones y proveer cobeneficios,
como una forma activa de la naturaleza, generalmente así como adaptarse a cambios climáticos y ambientales.
enfocada en los aspectos más importantes de dichos La composición, estructura y función de los activos de
beneficios. Comprende un componente activo y la infraestructura natural en las cuencas hidrográficas, y
deliberado de manejo, el cual está apuntado a conservar la forma en que interactúan con la infraestructura gris,
o potenciar las ventajas clave generadas, incluyendo determinan los servicios primarios y los beneficios
resiliencia climática para comunidades, mejor calidad del colaterales producidos.

INFRAESTRUCTURA
CONSTRUIDA VERDE
NATURAL
MARRÓN ANCESTRAL
GRIS AZUL
Figura 1. Infraestructura para la seguridad hídrica. La infraestructura gris y verde no son antagónicas, sino
existen varias soluciones híbridas que involucran elementos de una y otra. La infraestructura natural es un
complemento a la infraestructura construida por los seres humanos. Fuente: Elaboración propia.
Otro término popular que tiene relación es el de 2018), las SbN para el agua se definen como un conjunto
soluciones basadas en la naturaleza (SbN) de acciones que están inspiradas y soportadas por la
(UICN, 2020a). Según la Unión Internacional para la naturaleza y que usan o mimetizan procesos naturales
Conservación de la Naturaleza (UICN), las SbN son que contribuyen a mejorar la gestión del agua. Mientras
“acciones para proteger, gestionar y restaurar de manera que un ámbito de la conser vación se centra en
sostenible los ecosistemas naturales o modificados que salvaguardar la biodiversidad por su valor irremplazable,
hacen frente a los desafíos sociales de manera efectiva las SbN se centran en salvaguardar a la sociedad
y adaptativa, proporcionando simultáneamente siguiendo las normas y principios de la conservación. Si
beneficios para el bienestar humano y la biodiversidad” bien hay cierta superposición, no todas las intervenciones
(Cohen–Shacham et al., 2016). Las SbN, en particular de conservación son soluciones basadas en la naturaleza
para el agua, han recibido especial atención del organismo (UICN, 2020a, 2020b). El manejo de la infraestructura
asociado a la UNESCO para el agua (UN–Water). En natural para la seguridad hídrica es una solución basada
el World Water Development Report de 2018 (WWAP, en la naturaleza.

Foto: José Alberto Sotomayor
Las soluciones basadas en la naturaleza incluyen intervenciones sobre la infraestructura natural, como
la purificación de aguas residuales y el control de inundaciones (p. ej., humedales saludables); la restauración
del paisaje forestal para reducir los impactos de eventos extremos; la estabilización de laderas y producción
de agua limpia; la conexión de ríos y acuíferos a llanuras de inundación; la conservación y protección de
los recursos hídricos (p. ej., áreas protegidas); el establecimiento de desvíos de inundaciones para reducir
los impactos aguas abajo; los cultivos en pendientes para reducir la erosión y la pérdida de agua; la
ubicación de zonas ribereñas de amortiguamiento para mantener la calidad del agua y reducir la erosión;
la protección y restauración de manglares, humedales costeros y dunas; la conservación y restauración
de humedales; la protección y restauración de los arrecifes para la protección costera y el hábitat; las
soluciones híbridas que contienen elementos incorporados que interactúan con las características
naturales y buscan mejorar sus servicios ecosistémicos relacionados con el agua; la captación de agua
de lluvia con techos verdes; la mejora de la infiltración para reducción de escorrentía urbana (p. ej.,
pavimentos permeables); la mejora de la infiltración y biorretención (p. ej., espacios verdes urbanos);
entre otras intervenciones.
“El manejo de la infraestructura natural

para la seguridad hídrica es una solución
basada en la naturaleza”.
De por sí, la naturaleza provee a los seres humanos con beneficios específicos, muchos de los cuales son
cuantificables y valorables en términos económicos reales. Son beneficios que se conocen como servicios
ecosistémicos.

1.2 Servicios ecosistémicos hídricos
Los servicios ecosistémicos (Figura 2) son los beneficios de agua o de la transpiración de los bosques más extensos
que los seres humanos obtienen de los ecosistemas (MA, origina nubes y se precipita en forma de lluvia, granizo,
2003; Mace, 2008). Los servicios ecosistémicos hídricos, nieve o neblina, en la superficie de la tierra y en los océanos.
por su parte, son los beneficios para los seres humanos En la tierra, el agua se infiltra dentro del suelo o fluye por
que los ecosistemas terrestres producen en el agua encima de la superficie. Ambos flujos, agua superficial y
(Brauman, 2007); por ejemplo, entre otros, la regulación agua subsuperficial o subterránea, eventualmente descargan
del ciclo hidrológico, el rendimiento hídrico, el mantenimiento en los océanos. La evaporación de la superficie del agua
de la calidad del agua y la recarga de acuíferos. Se diferencian y de los océanos, hacia la atmósfera, completa el ciclo.
de los servicios ecosistémicos acuáticos, los cuales, en
específico, son producidos por los ecosistemas de agua El marco conceptual de servicios ecosistémicos hídricos
dulce (acuáticos) (Brauman, 2015); y de los servicios permite organizar los procesos hidrológicos en una
ecosistémicos marinos, que son producidos por ecosistemas cuenca (Figura 3a) en función de sus impactos en el
de agua salina (marinos) y estuarios (Palumbi et al., 2008). agua para las personas (Figura 3b); por ejemplo,
provisión de agua potable o recursos recreacionales.
A escala de cuenca, los ecosistemas influyen en el Estos procesos de movimiento del agua, siendo regulados
comportamiento del agua a través de interacciones e influenciados por los ecosistemas terrestres —por
climáticas locales, uso consuntivo por la vegetación, ejemplo, en los procesos de infiltración y transpiración—,
modificación de la superficie del suelo, modificación de la producen los servicios ecosistémicos hídricos. De
calidad del agua, entre otros factores ilustrados en la manera adicional, el marco conceptual de servicios
Figura 3a (Brauman et al., 2007). El ciclo hidrológico es ecosistémicos puede considerar los impactos que el
impulsado por la energía solar e intervenido por la mismo ecosistema tiene sobre una variedad de otros
infraestructura natural y la infraestructura construida. El servicios ecosistémicos de interés, como la producción
agua evaporada de los océanos de la superficie de cuerpos de madera o la purificación del aire (Brauman, 2015).
EJEMPLOS DE SERVICIOS ECOSISTÉMICOS

CULTURALES
APROVISIONAMIENTO
REGULARES
SOSTENIMIENTO
Valores Formación
espirituales y Alimentos Regulación de la
calidad del aire del suelo
religiosos
Valores Materias Regulación Fotosíntesis

estéticos primas del clima
Recreación y Recursos Regulación Ciclo de los

ecoturismo medicinales del agua nutrientes
Salud física y Agua Regulación

mental potable de la erosión
Purificación del
agua y tratamiento
de residuos
Control de plagas y
enfermedades
Polinización
Moderación de los
eventos extremos
Figura 2. Ejemplos de servicios ecosistémicos. Adaptado de WWF.

A)
Precipitación
Interceptación Transpiración
de niebla y nubes
Interceptación de
la cubierta y evaporación
Sombreado
del suelo Escorrentía
superficial
Protección de la Evaporación
superficie del suelo
Desarrollo
del suelo
Atenuación
Infiltración del flujo Filtración
Estabilización en humedales
de suelos
Napa freática Filtración Filtración
ambiental Uso del agua de franjas
de la planta amortiguadoras
Río
Almacenamiento y flujo de aguas subterráneas
B)
Eliminación de
contaminantes
del aire
Productos
forestales
no madereros
Madera
Polinización
Modificación
Captura
del clima local
de carbono
Hábitat
de la fauna
Desarrollo
del suelo Recreación
Río
Desarrollo
del suelo
Figura 3. a) Procesos hidrológicos; y b) servicios ecosistémicos en una cuenca. Las flechas indican procesos y flujos
hidrológicos con una magnitud relativa proporcional al ancho de ellas. Adaptado de Brauman et al. (2007).
Los servicios ecosistémicos se dividen de manera usual en categorías de provisión, servicios de regulación, servicios
culturales y servicios de soporte de personas (ME, 2005). El agua es, por lo común, tratada y discutida como un
servicio de provisión, posiblemente porque se percibe en general al agua como el producto de una cuenca. Sin
embargo, los ecosistemas no crean agua, sino que mueven y modifican flujos. Por lo tanto, la investigación y el manejo
del agua se beneficiarán más si se considera a los servicios ecosistémicos hídricos como servicios de regulación
(Brauman, 2015).

“Los ecosistemas no crean agua,
sino que mueven y modifican flujos”.
Existe un amplio espectro de servicios ecosistémicos importantes, entre ellos:
Provisión de agua en cantidad Captura y almacenamiento

y calidad de carbono
Mitigación de riesgos Provisión de alimentos

hidrológicos
Control de erosión Sostenimiento de la

biodiversidad
Regulación hidrológica Belleza escénica, valor

paisajístico o estético
1.3 Cascada de servicios ecosistémicos
Para trascender desde el entendimiento de la estructura cuenca hidrográfica donde ocurren los procesos
y procesos biofísicos (ecológicos, hidrológicos, biológicos, hidrológicos) que cumplan funciones ecosistémicas (p. ej.,
abióticos, etc.) hacia los beneficios generados por los ralentización del flujo de agua; amortiguamiento de
servicios ecosistémicos, es indispensable identificar a las caudales), que a su vez producen servicios ecosistémicos
beneficiarias y los beneficiarios de estos servicios. Son (p. ej., control de inundaciones; provisión de agua en
pocos los estudios que desarrollan en forma satisfactoria temporada seca). Los ser vicios ecosistémicos se
este último requisito (Harrison–Atlas et al., 2016). Para convierten en la conexión entre el medio natural y el
ello, utilizamos el concepto de “cascada de servicios sistema económico–social, y generan bienes y beneficios
ecosistémicos” (CSE, Figura 4), la cual conecta de para las personas (p. ej., contribución a la alimentación de
manera lógica y sucinta las estructuras y procesos la población mediante agua para irrigación; seguridad de
ecosistémicos con los elementos que impactan sobre los asentamientos humanos frente a inundaciones), los
el bienestar humano, formando una cadena de cuales tienen un valor tangible (p. ej., disposición a pago
producción o cadena de valor (Haines–Young & Potschin, por protección de ecosistemas; mecanismos de retribución
2010; Potschin & Haines–Young, 2011). La CSE para intervenciones en las cuencas). En otras palabras, la
comprende cinco peldaños organizados en dos dominios: CSE revela que para obtener un flujo continuo de servicios
i) el relacionado con el medio ambiente; y ii) el ecosistémicos se requiere proteger, conservar y restaurar
relacionado con el sistema económico–social. El primero la infraestructura natural que les da sustento, a través de
demuestra que se requieren estructuras y procesos la implementación de políticas destinadas a hacer frente
biofísicos de un ecosistema (p. ej., hábitat de un bosque; a las presiones antrópicas sobre ella.

MEDIO SISTEMA
AMBIENTE ECONÓMICO-SOCIAL
SERVICIOS DE SOPORTE
O INTERMEDIOS
BIENES Y
ESTRUCTURA SERVICIOS BENEFICIOS
PROCESOS
BIOFÍSICOS
FINALES
(p.ej., hábitat de
FUNCIÓN
bosque o
(p.ej.,
productividad
ralentización de
primaria neta) SERVICIO
flujo de agua)
(p.ej., protección
frente a BENEFICIO
inundaciones, (p.ej.,
productos de contribución a
cosecha) determinantes VALOR
del bienestar (p.ej., disposición a
tales como salud pagar por protección
y seguridad) de bosques o por
más productos de
IMPLEMENTACIÓN DE cosecha)
INTERVENCIONES POSÍTIVAS
PARA LIMITAR LAS PRESIONES
ANTRÓPICAS
PRESIONES
Figura 4. Cascada de servicios ecosistémicos. Fuente: Potschin & Haines–Young (2011); Haines–Young & Potschin
(2012). Traducción libre por el Ministerio de Medio Ambiente de Chile.
Dependiendo de quiénes son las beneficiarias y los que ese incremento de cobertura de árboles resulte en
beneficiarios y cuáles son sus características, los servicios una reducción de la producción de agua debido al mayor
ecosistémicos se aprovecharán y valorarán de distinta consumo vegetal. Esta afectación al servicio ecosistémico
manera. Por ejemplo, para una empresa que provee de rendimiento hídrico se convierte en una externalidad,
agua potable, el agua cruda se vuelve su materia prima pero no es necesariamente una prioridad para dicha
(el bien producido por la naturaleza). Para dicha organización forestal. El balance entre intereses, beneficios
beneficiaria, servicios ecosistémicos como el rendimiento y externalidades entre diferentes beneficiarios de un
hídrico total y el mantenimiento de caudales base altos ámbito geográfico determinado debe ser considerado en
durante la temporada seca son prioritarios, pues un análisis integral de servicios ecosistémicos.
representan una mayor cantidad de materia prima que
será procesada; del mismo modo, servicios como la La gestión de los servicios ecosistémicos hídricos generados
regulación de la calidad del agua son importantes para por la infraestructura natural requiere un entendimiento
dicha empresa porque reducen los costos de tratamiento del estado y dinámica de los procesos y funciones que
del agua potable y, por tanto, optimizan la costo– controlan dichos servicios. Ese estado y dinámica son
eficiencia de la producción. Otros servicios asociados, sensibles a los efectos de intervenciones humanas sobre
como el mantenimiento de la biodiversidad o el secuestro la infraestructura natural, las que no solo consisten en
de carbono, son cobeneficios deseables, pero no acciones físicas, sino que incluyen políticas, estrategias y
necesariamente son servicios prioritarios para esa prácticas estrechamente ligadas a las decisiones de manejo
empresa. Para otra beneficiaria, por ejemplo, una tomadas. Las intervenciones sobre la infraestructura
organización forestal, la producción de madera y el natural modifican, positiva o negativamente, los servicios
secuestro de carbono mediante el incremento de la ecosistémicos generados por esta. Para analizar este
biomasa vegetal sí son una prioridad, aunque es posible efecto se pueden utilizar modelos hidrológicos.

Foto: Edith Lucinda Gonzales Ore
1.4 La práctica de la modelación hidrológica

La modelación hidrológica es un proceso de modelación hidrológica como un proceso integral de
representación del ciclo del agua mediante simplificaciones apoyo a la formulación de políticas, la toma de decisiones
y aproximaciones de los procesos reales del sistema y la definición o evaluación de alternativas prácticas de
hidrológico. Los modelos pueden ser construidos en intervenciones sobre la infraestructura natural.
físico (reales) —por ejemplo, la piedra de Saywite, como
modelo de una cuenca hidrográfica, o modelos La práctica de la modelación hidrológica (Figura 5)
hidráulicos en laboratorio, comunes en universidades y incluye desde cómo formular preguntas de gestión claves
proyectos de alta inversión—, pero también pueden ser y definir el contexto de toma de decisiones; identificar
de simulación (computacionales). Nuestra guía se refiere, qué tipos de servicios ecosistémicos hídricos son
precisamente, a los modelos de simulación. En tanto un relevantes para las preguntas formuladas; decidir qué
modelo es una aproximación al sistema real, sus entradas intervenciones sobre la infraestructura natural deben
y salidas son variables hidrológicas y utiliza ecuaciones ser modeladas; conocer qué modelos hidrológicos están
con alguna base física o conceptual. La evaluación de los disponibles para responder dichas preguntas y para
beneficios hidrológicos de la infraestructura natural a cuantificar los servicios ecosistémicos identificados;
través de modelos incluye entender y analizar el seleccionar un modelo hidrológico que responda mejor
funcionamiento del sistema hidrológico y pronosticar a las necesidades y las capacidades identificadas para
su respuesta frente a diversas alternativas de manejo o diferentes contextos de toma de decisiones; resaltar la
escenarios posibles. importancia de contar con información primaria o de
compilar información secundaria; desarrollar escenarios
Si bien existen guías y manuales de modelos específicos, de modelación de las inter venciones sobre la
e incluso libros dedicados a la modelación hidrológica, infraestructura natural, usando la información y el
dichas publicaciones se enfocan en las particularidades conocimiento disponibles; discutir las dificultades y
y en el uso de los modelos como tales y no en la práctica problemas que puedan existir durante la implementación
de la modelación hidrológica de manera integral. La de la modelación hidrológica; hasta cómo analizar en
presente Guía de modelación hidrológica parte de la Guía forma crítica e interpretar de manera objetiva los
para seleccionar modelos de servicios ecosistémicos resultados y las fuentes de incertidumbre producto de
para la toma de decisiones, publicada por el World la modelación, a fin de incorporar esta información en
Resources Institute (Bullock & Ding, 2018), y la lleva más la toma de decisiones en torno a intervenciones sobre
allá con el objeto de posicionar a la práctica de la la infraestructura natural.

LA PRÁCTICA DE LA MODELACIÓN HIDROLÓGICA
Vol. I: Definir modelos para toma de decisiones Vol. II: Implementar, validar y analizar modelos
Paso 1: Determinar las Paso 6: Generar datos

preguntas de gestión y primarios o, en su defecto,
definir su alcance. compilar datos secundarios.
Paso 7: Elaborar escenarios

Paso 2: Identificar los de modelamiento para la
servicios ecosistémicos
hídricos prioritarios.
evaluación de impactos
futuros o alternativos.
Seleccionar Implementar
Paso 3: Conceptualizar las el modelo la modelación Paso 8: Calibrar y validar
intervenciones sobre la hidrológico hidrológica e el modelo hidrológico de
infraestructura natural que más integrar el manera robusta e
se desean modelar. apropiado proceso idealmente automatizada.
Paso 9: Evaluar los

Paso 4: Reconocer el cálculos y el desempeño
contexto de toma de
del modelo mediante
decisiones, los recursos, datos
análisis de sensibilidad y
y capacidades disponibles.
de incertidumbre.
Paso 10: Interpretar los

Paso 5: Evaluar los
resultados adecuadamente,
modelos hidrológicos en
con el objeto de generar
este contexto y seleccionar
el más apropiado.
indicadores relevantes
para la toma de decisiones.
Figura 5. Marco conceptual de la práctica de la modelación hidrológica para seleccionar y usar modelos hidrológicos.
Adaptado de: Bullock & Ding (2018).
Existen muchos modelos hidrológicos entre los cuales reservorios conceptuales. Otros modelos, más complejos,
elegir, y los modelos mismos están en constante implementan conceptos basados en física para
evolución por sus equipos desarrolladores a fin de representar los procesos hidrológicos ocurrentes y sus
mejorar su desempeño y utilidad. El universo de modelos controladores —por ejemplo, el efecto de las condiciones
disponible contiene diversos niveles de complejidad, climáticas, el consumo de agua por la vegetación, la
características, representación de procesos, así como partición de agua en el suelo y sobre la superficie, etc.—.
utilidad. Por ejemplo, hay modelos hidrológicos que Mientras que unos modelos agrupan una unidad de
agrupan toda una cuenca hidrográfica en un solo análisis en un solo elemento agregado, otros modelos
elemento que funciona de manera agregada, elemento son desagregados espacialmente y generan resultados
que recibe entradas de agua —por ejemplo, lluvia— y de manera distribuida en el área de análisis. Sin embargo,
representa los procesos internos mediante conceptos una mayor complejidad en un modelo hidrológico no
simples como reservorios de agua lineales que descargan se traduce necesariamente en mejores resultados para
caudal en función del volumen de agua actual en dichos preguntas particulares de toma de decisiones.

“Una mayor complejidad en un modelo
hidrológico no se traduce necesariamente en
mejores resultados para preguntas particulares
de toma de decisiones”.
La selección de un modelo hidrológico debe guiarse por Es necesario reconocer que la modelación hidrológica
la naturaleza de las preguntas planteadas, la disponibilidad no entrega todas las respuestas a todas las preguntas
de datos e información, la capacidad técnica para operar de gestión existentes. La modelación hidrológica para
el modelo y la relevancia de los resultados producidos la toma de decisiones requiere que las preguntas de
para responder e informar efectivamente las preguntas gestión sean conceptualizadas y traducidas en preguntas
iniciales. Así, esta guía no provee información sobre que un modelo hidrológico pueda responder; también
modelos hidrológicos específicos, sino acerca del proceso requiere reconocer qué preguntas no pueden ser
por el cual las tomadoras y tomadores de decisión respondidas con los modelos hidrológicos disponibles
pueden seleccionar qué modelos utilizar, así como en la actualidad. Para aquellas preguntas que sí pueden
desarrollar y analizar escenarios de modelación y definir ser atendidas por modelos hidrológicos, este documento
e interpretar los resultados obtenidos. Esta guía les ofrece una guía para informar la práctica de la modelación
permitirá a quienes toman decisiones trabajar con hidrológica en sus múltiples etapas, con el objetivo de
equipos consultores o personal técnico especialista, a fin que tomadoras y tomadores de decisión no especialistas
de seleccionar modelos adecuados y hacer más relevante en modelación puedan mejorar su interacción con
la práctica de la modelación hidrológica para la toma de equipos técnicos y personal experto. La meta de esta
decisiones sobre intervenciones en la infraestructura guía es optimizar la eficacia de la modelación como una
natural para la seguridad hídrica. herramienta en la formulación de políticas, la toma de
decisiones y las inversiones en infraestructura natural
para la seguridad hídrica.

Foto: Carlos Alberto Vergara Manrique de Lara
1.5 Desarrollo de modelos hidrológicos

Desarrollar un modelo hidrológico involucra un proceso ejemplo, la formación que ha recibido y la experiencia
estructurado de pasos. Se pueden encontrar en la previa de la persona influyen en qué tan bien puede
literatura diferentes enfoques metodológicos para conceptualizar cada uno de los procesos. Es más
desarrollar modelos; uno de los más influyentes es el probable que quien ha recibido numerosos cursos en
enfoque metodológico presentado en la Figura 6 diferentes ramas de la hidrología tenga una mayor
(Beven, 2011). En él, el proceso de modelación se divide capacidad de abstracción que alguien que ha recibido
en cinco pasos, en un flujo de trabajo que puede ser un curso corto. Asimismo, la experiencia que se adquiere
iterativo, dependiendo del éxito que se obtenga en la al desarrollar modelos en diferentes lugares es invaluable,
etapa final de modelación. sobre todo en sistemas complejos en los que dominan
interacciones entre agua superficial y agua subterránea.
El proceso comienza definiendo un modelo perceptual Estas percepciones no son formalizadas matemáticamente
sobre los procesos hidrológicos, que es el conjunto de aún y tampoco deben estar escritas necesariamente. El
percepciones acerca de cómo responde un sistema modelo perceptual permite decidir qué procesos serán
hidrológico bajo ciertas condiciones, percepciones que muy importantes de representar, cuáles se podrían hacer
pueden variar entre profesionales. Durante esta etapa a un lado y cuál es el nivel de detalle que podría
del modelo, las observaciones juegan un rol importante requerirse para simular la dinámica de un sistema. De
porque permitirán obtener una idea más clara de la esta manera, el modelo perceptual se puede resumir
naturaleza de los procesos que ocurren en un área como el entendimiento que se tiene sobre un sistema
específica. De igual forma, la experiencia y el conocimiento específico, incluyendo los flujos, la complejidad y las
del equipo también jugarán un rol muy importante; por interacciones entre procesos.
“El modelo perceptual permite decidir

qué procesos serán muy importantes de
representar, cuáles se podrían hacer a un lado y
cuál es el nivel de detalle que podría requerirse
para simular la dinámica de un sistema”.

Modelo perceptual:
Revisar Decidir los procesos
percepciones
MEJOR APROXIMACIÓN
Modelo conceptual:
Revisar ecuaciones Decidir las ecuaciones
Modelo procedimental:
Corregir el código Correr el código o software
Revisar datos
Calibración del modelo:
Revisar valores Obtener valores de parámetros
de parámetros
Validación del modelo:

Comprobar el desempeño
¿Buena idea
pero difícil
implementar?
¿DECLARAR ÉXITO?
NO SÍ
Figura 6. Pasos en el desarrollo de un modelo hidrológico. Adaptado de: Beven (2011).
Seguidamente, se formalizan estas percepciones en un Durante el modelo conceptual, también se decide la

modelo conceptual, abstracción matemática que implica complejidad de este: se escoge la desagregación
representar los procesos hidrológicos en forma de espacial, la resolución temporal y el nivel de complejidad
ecuaciones. Como es de esperar, estas ecuaciones son de los procesos hidrológicos. De esta manera, la
una simplificación de las percepciones y traerán implícitas, definición del modelo conceptual tendrá un efecto
consigo, suposiciones acerca de cómo funciona el sobre el costo computacional y la capacidad predictiva
sistema. Esta elección de ecuaciones responde también del sistema. Los modelos complejos requerirán mayor
a los objetivos de un estudio en particular. Por ejemplo, tiempo de simulación, lo cual, como se discutirá más
sabemos que un bofedal (humedal altoandino) puede adelante, no implica necesariamente que produzcan
ser alimentado por agua superficial (escorrentía) y por una mejor predicción.
agua subterránea (descarga subterránea). Si quisiéramos
simular solo la función de amortiguación de un bofedal, La etapa siguiente, denominada modelo procedimental,
podríamos obviar ecuaciones que intenten simular la necesita traducir las ecuaciones del modelo conceptual
dinámica suelo y agua subterránea y centrarnos en un código que pueda resolverlas. Esta etapa involucra
únicamente en la capacidad de almacenamiento por la el desarrollo del código de resolución de ecuaciones y
microtopografía y en la capacidad de retención de agua su ejecución para conseguir resultados numéricos. Con
del suelo. Sin embargo, si quisiéramos ver cómo influye frecuencia, los modelos conceptuales incluyen un
la existencia de bofedales en la provisión de caudal base, conjunto de ecuaciones diferenciales parciales, muchas
necesitaríamos incluir componentes que simulen la veces no lineales, las cuales requieren la utilización de
interacción entre el bofedal y el agua subterránea. métodos numéricos para su resolución. De esta manera,

el modelo procedimental “operativiza” las ecuaciones procede a realizar una o varias simulaciones, que son
matemáticas formuladas en la etapa anterior. Esta etapa comparadas con observaciones de precipitación y
requiere de gran cuidado, a fin de minimizar errores y caudal. A par tir de los estadísticos de desempeño, la
costos computacionales asociados a la ejecución del simulación del sistema se puede calificar como buena,
código desarrollado. regular o pobre. Es impor tante considerar que estas
validaciones son, en realidad, validaciones condicionales
Luego de contar con un código que implementa las (Beven & Young, 2013). Cabe esta precisión porque
ecuaciones decididas, se procede a la calibración de los el modelo es evaluado con datos observados que
parámetros del modelo, los cuales describen y resumen corresponden a cier to rango de valores; de esta
las propiedades del área o de los flujos en una cuenca manera, se puede conocer si un modelo se desempeña
o sistema hidrológico, tales como la conductividad de manera aceptable o no aceptable solo para este
hidráulica de un suelo en un modelo espacialmente rango de valores o también para valores fuera del
distribuido, o un coeficiente de reservorio lineal para rango. Por ejemplo, un modelo hidrológico que
simular la capacidad de amortiguación de agua de un incorpora la ecuación de onda cinemática para el flujo
bofedal en un modelo conceptual. De acuerdo con las de agua superficial puede ser adecuado para simular
observaciones que se encuentren disponibles, se pueden flujos lentos y rendir buenos resultados de validación
hacer estimaciones a priori del valor —o rango de para cierto rango de valores de precipitación y caudal,
valores— de estos parámetros. Sin embargo, dadas las siendo condicionalmente válido para estos rangos.
incertidumbres cuantitativas o cualitativas con respecto Sin embargo, el mismo modelo puede rendir
a estas estimaciones, los parámetros tienen que ser resultados pobres para simular caudales de
ajustados para mejorar el desempeño del modelo frente inundaciones. A priori, podríamos sugerir que, en vez
a los datos observados. A este proceso de ajuste se le de una aproximación de onda cinemática, se usen las
denomina calibración de modelo. ecuaciones de aguas poca profundas (shallow water
equations) y realizar una aclaración de que el modelo
Evaluar el desempeño de un modelo calibrado se validado para cier tos rangos no será adecuado para
denomina validación. Con el modelo calibrado se eventos extremos.

“Un modelo hidrológico puede ser adecuado
para simular flujos lentos y para cierto rango de
valores de precipitación y caudal. Sin embargo, el
mismo modelo puede rendir resultados pobres para
simular caudales de inundaciones”.
Una vez descrito todo el proceso de desarrollo de son fundamentales para aproximarse mejor a la
un modelo hidrológico, entendemos que no todos realidad, pero se requiere un conocimiento profundo
los grupos de trabajo contarán con los recursos para en modelos hidrológicos para que alguien pueda
poder desarrollar un modelo desde el inicio. Muchas revisarlos y aprobarlos en un contexto de toma de
veces, el trabajo de modelación se limitará a decisiones. Por esa razón, en esta guía nos enfocamos,
conceptualizar el alcance y objetivos y a seleccionar primero, en el proceso de selección de modelos
un modelo existente que cumpla con las necesidades hidrológicos ya existentes que respondan a las
del estudio. En muchos casos, escoger un modelo necesidades específicas del caso de aplicación a mano
comúnmente usado puede brindar una mayor y, segundo, en una exposición de buenas prácticas
confiabilidad a quienes evalúen o revisen un estudio. para la implementación de la modelación hidrológica,
Los modelos personalizados para ciertas aplicaciones con independencia del modelo seleccionado.

1.6 Objetivos de la modelación hidrológica
En el contexto de gestión e intervención sobre la hidrológicos de simulación que permiten probar varias
infraestructura natural, la modelación hidrológica se utiliza suposiciones acerca de este funcionamiento y esclarecer
con tres objetivos: a) entender los procesos de un sistema varias de las incertidumbres existentes respondiendo a
hidrológico; b) hacer predicciones hidrológicas con base la pregunta: “¿Cómo funciona el sistema?”. Este proceso
en escenarios definidos; y c) apoyar y robustecer la va de la mano con un monitoreo in situ y una generación
generación de datos e información. Por un lado, los robusta de datos que requieren, en una u otra medida,
modelos hidrológicos se utilizan para probar algunas del uso de modelos y ecuaciones para ser asimilados.
hipótesis sobre el funcionamiento del sistema, al intentar
extrapolar un conjunto de mediciones y observar si la De igual manera, la modelación se usa para el análisis
respuesta hidrológica responde a una estructura específica de escenarios que representan realidades alternativas a
del modelo (p. ej., Buytaert & Beven, 2010; Beven 2019); la actual. Los compor tamientos futuros estudiados
por otro lado, permiten simular cómo reaccionaría el mediante modelos son comúnmente denominados
sistema ante escenarios específicos como el cambio proyecciones (Beven & Young, 2013), las cuales son
climático, el cambio de usos del suelo o la implementación simulaciones producidas con modelos hidrológicos que
de intervenciones sobre la infraestructura natural; por responden a la pregunta: “¿Qué pasaría si?”, y para cuya
último, requieren datos y observaciones en campo, a fin realización se requiere crear escenarios. Un escenario
de ser calibrados y validados. El ejercicio de la modelación puede incluir diferentes modificaciones o alternativas en
puede utilizarse como un mecanismo para optimizar el el sistema hidrológico; —por ejemplo, cambios en el
diseño y operación de los sistemas de monitoreo, con el comportamiento de la precipitación y la temperatura
fin de generar datos más relevantes, así como para con la intención de reflejar el cambio climático—, o
desarrollar simulaciones más representativas basadas en cambios en las propiedades internas del sistema —por
los datos observados. ejemplo, una reducción de las tasas de infiltración de
agua dentro de la superficie para reflejar los impactos
El entendimiento de los procesos de un sistema de cambios en el uso de suelo—. En el caso de
hidrológico mediante la modelación ha conseguido intervenciones sobre la infraestructura natural, las
posicionar los modelos como “hipótesis de trabajo”. proyecciones se utilizan para predecir y cuantificar los
Varios factores determinan cómo el agua se mueve a potenciales beneficios hidrológicos antes de que se
través del ciclo hidrológico. Si bien nuestro conocimiento realicen las modificaciones al sistema real que se
y entendimiento de la hidrología han avanzado a pasos modelará. Esta evaluación de impactos, antes de que
agigantados en las últimas décadas, todavía existen ocurra una intervención específica, se suele denominar
incer tidumbres que oscurecen la comprensión de evaluación ex ante (p. ej., CEC, 2009). El término ex ante
aquellos factores. El auge de la computación y de las (también escrito ex–ante o exante) significa “antes del
ciencias de datos ha facilitado desarrollar modelos hecho”; es un término de uso común en la economía y

Foto: Infraestructura Natural para la Seguridad Hídrica
las finanzas, donde los resultados de una acción concreta entrada, como el clima o el estado de conservación de
o de una serie de acciones se prevén. Lo opuesto es ex suelos. Este tipo de cambios son imposibles de observar
post (ex–post o expost), que significa “después del mediante monitoreo, pues se requeriría tener control
hecho”. sobre las variables de entrada. Aun cuando se puedan
realizar experimentos a escala de laboratorio o de parcela
Las proyecciones o simulaciones de escenarios ex ante en los que se modifiquen variables específicas del sistema
son útiles para evaluar el comportamiento hidrológico hidrológico, ello —además de ser difícil extrapolar los
antes de que ocurran cambios. Observar respuestas reales resultados a una escala de aplicación— resulta insuficiente
del sistema implica manipular diferentes variables de para entender las interacciones del área intervenida con
el resto del sistema hidrológico.
“Las proyecciones o simulaciones de escenarios ex

ante son útiles para evaluar el comportamiento
hidrológico antes de que ocurran cambios”.
Finalmente, los modelos hidrológicos permiten mejorar permite estimar el movimiento del agua en un medio
la manera en que estamos generando información en poroso —en este caso, el suelo de una cuenca— sin
campo destinada a la cuantificación de los elementos del necesariamente medir el flujo directamente en campo.
ciclo hidrológico. Las observaciones in situ sufren Otro ejemplo es la estimación de la evapotranspiración.
limitaciones espaciales y temporales. Por ejemplo, no es Las mediciones directas de evapotranspiración son
posible medir el caudal en las salidas de todas las cuencas costosas y por lo general se utilizan modelos para
debido a limitaciones tecnológicas y de recursos cuantificar esta variable a partir de otras variables
financieros; asimismo, algunos procesos hidrológicos no meteorológicas (p. ej., temperatura, humedad del aire,
se pueden medir de manera directa y se usan algunas radiación solar, velocidad del viento). De esta manera, la
variables proxy que son incorporadas a modelos modelación hidrológica llena un vacío generado por las
simplificados. Un ejemplo claro es el del movimiento del limitaciones de realizar mediciones en el tiempo y en el
agua subterránea, el cual es estimado acoplando espacio. Esto permite apoyar y robustecer el monitoreo
mediciones de la energía y la conductividad hidráulicas eco-hidro-meteorológico para optimizar los recursos
del suelo en ecuaciones sencillas como la ley de Darcy. limitados disponibles, tanto durante el diseño de proyectos
Esta ley es un modelo sencillo de una ecuación, que de infraestructura natural cuanto en su evaluación ex post.

VOLUMEN I

Foto: Will Espinoza

DEFINIR MODELOS PARA TOMA DE DECISIONES
Vol. I: Definir modelos para toma de decisiones
Paso1: Determinar las preguntas de

Vol. II: Implementar,
gestión y definir su alcance. validar y analizar
modelos
Paso 2: Identificar los servicios
ecosistémicos hídricos prioritarios.
Paso 3: Conceptualizar las Seleccionar

intervenciones sobre la el modelo
infraestructura natural que se hidrológico
desean modelar. más apropiado
Paso 4: Reconocer el contexto de

toma de decisiones, los recursos,
datos y capacidades disponibles.
Paso 5: Evaluar los modelos

hidrológicos en este contexto y
seleccionar el más apropiado.
Esta sección está dirigida a especialistas en la formulación y evaluación de proyectos en infraestructura natural, así
como a tomadoras y tomadores de decisión que no sean especialistas en hidrología o en modelación hidrológica,
pero que requieran los resultados de modelos hidrológicos para tomar y evaluar decisiones sobre infraestructura
natural. También se dirige a especialistas en modelación hidrológica para que comprendan a la modelación como
parte de un proceso integral y sean partícipes de este proceso desde la formulación de las preguntas de gestión y
definan el alcance de la modelación dentro de un contexto dado de toma de decisiones. El contenido de esta sección
se basa en la Guía para seleccionar modelos de servicios ecosistémicos para la toma de decisiones: lecciones de África
subsahariana, producida por el World Resources Institute (Bullock & Ding, 2018).
Esta fase consiste en cinco pasos y veinte preguntas guía que concluyen con la selección del modelo. La Tabla 1
muestra el resumen que debe ser completado al final del Volumen I. El contenido de este volumen guía al equipo de
trabajo en el significado e interpretación de cada pregunta guía y los criterios que deben tomarse en cuenta para
responder cada pregunta de la manera más clara y efectiva. El Volumen1 de la práctica de modelación concluye con
la selección del modelo hidrológico o caja de herramientas de modelación. Al referirnos a una caja de herramientas
resaltamos la posibilidad de que un solo modelo hidrológico no responda a todas las preguntas planteadas, por lo
que podría ser necesario considerar un conjunto de modelos hidrológicos.
“Al referirnos a una caja de herramientas

resaltamos la posibilidad de que un solo modelo
hidrológico no responda a todas las preguntas
planteadas, por lo que podría ser necesario
considerar un conjunto de modelos hidrológicos”.

Tabla 1. Guía de preguntas y respuestas de los pasos 1 al 5 para la selección de modelos hidrológicos para infraestructura
natural. Fuente: Elaboración propia.
PASOS PREGUNTAS GUÍA
P1. ¿Cuál es la pregunta de gestión que queremos atender usando el modelo

hidrológico?
P2. ¿Cómo podemos definir el alcance de esta pregunta de manera que obtengamos
salidas relevantes del modelo?
PASO 1.
Determinar las
preguntas de
gestión y definir su P3. ¿Qué formatos (p. ej., series de tiempo de caudal, mapas de variables biofísicas)
alcance. se requieren de las salidas del modelo?
P4. ¿Qué niveles de exactitud y precisión son necesarios para tomar una decisión
sobre esta pregunta?
P5. ¿Qué servicios ecosistémicos son importantes para nuestra toma de decisiones
y a qué escala geográfica?
P6. ¿Qué procesos y funciones hidrológicas controlan los servicios ecosistémicos

PASO 2. hídricos prioritarios?
Identificar los
servicios
ecosistémicos
hídricos
prioritarios.
P7. ¿Qué indicadores hidrológicos pueden ser utilizados para obtener respuestas
representativas de estos servicios?

P8. Qué infraestructura natural es importante para nuestro propósito?
P9. ¿Cuáles son las intervenciones sobre la infraestructura natural en el terreno

que se desean modelar?
PASO 3.
Conceptualizar las
intervenciones
sobre la
infraestructura P10. ¿Cuál es la conceptualización del funcionamiento de las intervenciones que
natural que se buscan modelarse?
desean modelar.
P11. ¿Cómo se puede representar el funcionamiento de las intervenciones sobre

la infraestructura natural en los modelos hidrológicos?
P12. ¿Cuál es el uso previsto de los resultados del modelo hidrológico?
P13. ¿Cuál es el tiempo disponible para realizar la modelación con el fin de informar
PASO 4. la decisión en cuestión?
Reconocer el
contexto de toma
de decisiones, los
recursos, datos y
capacidades
disponibles.
P14. ¿Qué datos están disponibles para atender la pregunta de gestión en cuestión?

P15. ¿Se cuenta con la calidad de datos necesaria para los modelos hidrológicos
preferidos?
PASO 4. P16. ¿Existe capacidad técnica interna y experiencia previa para operar modelos
Reconocer el hidrológicos potencialmente relevantes?
contexto de toma
de decisiones, los
recursos, datos y
capacidades
disponibles.
P17. ¿De ser necesario, ¿existen los recursos que financien capacidad técnica
externa para operar un modelo seleccionado?
P18. ¿Cuál es el modelo hidrológico que responde en forma positiva a la mayor

cantidad de criterios y cómo?
PASO 5. P19. ¿Qué limitaciones y desventajas existen para el modelo hidrológico

Evaluar los modelos seleccionado?
hidrológicos en este
contexto y
seleccionar el más
apropiado.
P20. ¿Qué otros modelos son alternativas factibles para el ejercicio de modelación?

PASO 1. PREGUNTAS DE GESTIÓN Y SU ALCANCE
El objetivo de este paso es determinar la pregunta (o las preguntas) de gestión para definir un alcance que pueda
ser respondido por la modelación. Aquí también es necesario definir la escala geográfica e identificar el tipo de salidas
deseadas (p. ej., mapas, datos, indicadores, metas), así como los niveles de exactitud y precisión esperados. El resultado
que se busca con este paso es alcanzar un mejor entendimiento de las preguntas de gestión, traducirlas de manera
que puedan ser atendidas por los modelos, y obtener el formato, la precisión y la exactitud deseados de las salidas
del modelo para informar la toma de decisiones prevista. Algunas preguntas guía para este paso son:
• P1. ¿Cuál es la pregunta de gestión que queremos atender usando el modelo hidrológico?
• P2. ¿Cómo podemos definir el alcance de esta pregunta de manera que obtengamos salidas relevantes del
modelo?
• P3. ¿Qué formatos (p. ej., series de tiempo de caudal, mapas de variables biofísicas) se requieren de las salidas
del modelo?
• P4. ¿Qué niveles de exactitud y precisión son necesarios para tomar una decisión sobre esta pregunta?
La primera pregunta guía debe ser el primer paso antes de decidir el uso de un modelo, pues resume el problema
a la mano. La pregunta de gestión es diferente de la pregunta hidrológica o de modelación porque tiene un alcance
mayor que solo el ámbito hidrológico. La gestión política, como tal, es la actividad de gobierno y organización de
las sociedades sobre los asuntos que afectan a una sociedad o a un país. Entonces, este nivel de pregunta incluye
aspectos vinculados al desarrollo socioeconómico, a la conservación del medio ambiente e incluso al giro de
negocio de una empresa privada.

Algunas preguntas de gestión que pueden surgir para tomadoras y tomadores de decisión, en este paso, son:
• ¿A dónde deberíamos dirigir los fondos de restauración de infraestructura natural para generar el mayor
impacto?
• Si invertimos en la conservación de la infraestructura natural, ¿esto ayudará a aquellas personas que viven
en pobreza?
• ¿Se puede ahorrar dinero en la provisión de agua potable al recuperar cierto humedal?
La definición del alcance de la pregunta de interés es el diálogo entre la política y la modelación hidrológica;
como se observó líneas atrás, el ámbito político es mucho más amplio que el ámbito hidrológico. Al definir el
alcance de la pregunta en términos hidrológicos, se traduce el interés social e institucional en una pregunta o
en una hipótesis de modelación, lo cual hace posible que el modelo pueda ser una herramienta de apoyo a la
toma de decisiones sobre la pregunta identificada. Asimismo, definir aquel alcance permite clarificar los objetivos
del modelamiento, da luces sobre qué modelo seleccionar y hace posible determinar las variables hidrológicas
que pueden ser modeladas y atendidas por las herramientas de simulación.
Las preguntas señaladas más atrás pueden ser traducidas en preguntas de modelación de la siguiente manera:
• ¿Cuáles son las zonas más efectivas para realizar cambios de cobertura vegetal o uso de suelo que
mejoren servicios ecosistémicos específicos (p. ej., control de sedimentos, control de inundaciones)?
• ¿Cuáles son los beneficios económicos de mantener el estado de conservación de los ecosistemas para
quienes dependen de los servicios ecosistémicos (p. ej., agricultura de subsistencia, ganadería, agua limpia)
como medios de vida?
• ¿Cuál es la reducción en los costos de tratamiento de un agua de mejor calidad producida por el humedal
restaurado?
“La definición del alcance de la pregunta de

interés es el diálogo entre la política y la
modelación hidrológica”.
Un modelo hidrológico produce, por lo general, como productos derivados que representen, ilustren, visualicen
salidas, series de tiempo o productos SIG (sistemas de o comuniquen mejor un mensaje que responda a la
información geográfica o mapas) de variables hidrológicas, pregunta de gestión definida arriba. Es necesario reflexionar
como caudal, caudal base, humedad del suelo, carga de acerca de: ¿Cuáles son los intereses particulares de las
sedimentos, concentración de sedimentos, concentraciones tomadoras y tomadores de decisión y cuáles son sus
de elementos químicos, cargas de contaminantes, entre experticias y disciplinas?, ¿se requieren productos de
otras. Estos resultados pueden considerarse como variables biofísicas o de variables económicas?, ¿es
“crudos” y deben ser posprocesados para obtener necesario generar mapas que muestren las salidas del

modelo de manera espacialmente distribuida?, ¿es exactitud y precisión que es abordada más adelante
necesario convertir las variables hidrológicas resultantes en el documento (Volumen II, Paso 6). Por lo general,
del modelo en indicadores específicos que resuman los existe un compromiso entre el nivel de exactitud y
resultados en una cifra puntual? Al definir los tipos de precisión, con la complejidad del modelo y el tiempo
productos esperados, se debe tener la capacidad de disponible para producir resultados. Si bien los modelos
generar dichos productos. Por ejemplo, puede ser más complejos tienden a ser más precisos, requieren
necesario seleccionar un modelo que funcione con más datos, recursos, capacidad técnica y tiempo. No
información SIG y genere resultados SIG, o puede ser todas las preguntas demandan una exactitud milimétrica,
necesario tener la capacidad técnica de traducir los así como hay preguntas que se responden mejor no
resultados del modelo en mapas. El formato de las salidas con un valor, sino con un rango de posibilidades.
está determinado por el tipo de pregunta definido para Asimismo, se debe reconocer que no es posible ofrecer
la modelación. Por ejemplo, para las preguntas identificadas respuestas por completo precisas, debido, sobre todo,
arriba se requieren resultados en forma de mapas, para a que los modelos son aproximaciones de la realidad
definir las ubicaciones más efectivas de intervención; o y, por tanto, intrínsecamente inciertos. Por otra parte,
resultados en términos económicos, para determinar los los recursos necesarios para afinar las estimaciones de
beneficios para la población que depende de los servicios los resultados pueden ser considerables, pero los
ecosistémicos hídricos; o resultados en términos biofísicos, beneficios obtenidos de ese afinamiento pueden ser
para determinar la cantidad y calidad del agua que entra solamente marginales. Por último, una precisión
a una planta de tratamiento. aparentemente alta en un resultado de modelación
puede producir una falsa sensación de certeza sobre
Por último, se necesita definir qué tolerancia es aceptable la realidad y desembocar en una confianza exagerada
en cuanto a la exactitud y precisión de los resultados. en una decisión y encontrarse con una realidad
Hay una diferencia fundamental entre los conceptos de diferente en el territorio.
Algunas preguntas guía, aquí, son:
• ¿Se requieren estimaciones de servicios ecosistémicos muy precisas para representar el estado actual de
la infraestructura natural?
• ¿Se requieren estimaciones muy precisas para comparar y decidir entre alternativas diferentes?
• ¿Se requieren estimaciones moderadamente precisas para estimar el estado futuro o el valor económico
de la infraestructura natural?
• ¿Se requieren estimaciones moderadamente precisas con la finalidad de localizar áreas de intervención
priorizadas para la generación de servicios específicos?

• ¿Se requieren estimaciones de tendencias generales, pero no valores exactos tan precisos, para guiar el
desarrollo de políticas o la comunicación y concienciación de la población?
“Una precisión aparentemente alta en un resultado

de modelación puede producir una falsa sensación
de certeza sobre la realidad”.


PASO 2. SERVICIOS ECOSISTÉMICOS PRIORITARIOS
El objetivo de este paso es definir qué servicios ecosistémicos son de interés en la pregunta de gestión pertinente
y cuáles son prioritarios en el ejercicio de modelación. La identificación de los servicios ecosistémicos de interés
facilita poder reconocer qué modelos hidrológicos son capaces de modelarlos. Claramente, esto viene de la mano
con la delimitación de la escala geográfica de análisis que permitirá enfocar los esfuerzos de recolección de datos y
apoyar en la precisión de los niveles de resolución de las salidas del modelo esperadas. El resultado esperado de este
paso es haber definido el ecosistema (o los ecosistemas), así como el servicio ecosistémico que se debe modelar y
su escala de análisis. Se puede ver, por ejemplo, la revisión sistemática de Harrison–Atlas et al. (2016), que desarrolla
una tabla de criterios con el objeto de cuantificar servicios ecosistémicos hídricos para la toma de decisiones. Las
preguntas guía que se deben responder aquí son:
• P5. ¿Qué servicios ecosistémicos son importantes para nuestra toma de decisiones y a qué escala geográfica?
• P6. ¿Qué procesos y funciones hidrológicas controlan los servicios ecosistémicos hídricos prioritarios?
• P7. ¿Qué indicadores hidrológicos pueden ser utilizados para obtener respuestas representativas de estos
servicios?
Los servicios ecosistémicos hidrológicos más importantes (Tabla 2 a Tabla 6) para la gestión de la infraestructura
natural son (Bonnesoeur et al., 2019):

Foto: Will Espinoza
Tabla 2. Servicio ecosistémico de rendimiento hídrico. Fuente: Elaboración propia.
1. RENDIMIENTO HÍDRICO
La capacidad de una cuenca para convertir los ingresos de agua en ella, en caudal a su salida.
¿Qué es?
El rendimiento hídrico se puede entender como la “fábrica” de agua.
La cantidad total de agua disponible en la cuenca en ríos, quebradas o pozos, durante todo
el año, sin considerar aspectos como regularidad o estacionalidad, es importante para las
¿Para quién es
importante? usuarias y los usuarios de agua con capacidad de almacenamiento —por ejemplo, centrales
hidroeléctricas; embalses para uso agrícola, doméstico o industrial—, que demandan grandes
volúmenes de agua.
Un alto rendimiento hídrico depende de las siguientes características:
¿Qué elementos • Una alta precipitación o entradas de agua en la cuenca

o procesos
influyen? • Vegetación que tenga la capacidad de capturar neblina
• Un bajo consumo de agua por parte de la vegetación (baja evapotranspiración)

Tabla 3. Servicio ecosistémico de regulación hidrológica. Fuente: Elaboración propia.
2. REGULACIÓN HIDROLÓGICA
La capacidad de una cuenca para amortiguar la variabilidad de los ingresos de agua con el
propósito de generar una salida de caudal más homogénea —por ejemplo, atenuar caudales
¿Qué es?
de crecida y mantener caudales base durante periodos secos—. La regulación hidrológica
se puede entender como la “esponja” de agua en la cuenca.
La preservación del caudal base es clave para que las y los usuarios de agua se enfrenten a la
¿Para quién es escasez hídrica resultado de la estacionalidad, la variabilidad del clima y el cambio climático.
importante? Esto es en particular significativo para quienes carecen de capacidad de almacenamiento
artificial.
Una buena regulación hidrológica depende de las siguientes características:

¿Qué elementos • Una baja intensidad de la lluvia que alcanza el suelo
o procesos
influyen? • Una alta capacidad de infiltración de agua en el suelo
• Una alta capacidad de almacenamiento de agua dentro del suelo y subsuelo
Tabla 4. Servicio ecosistémico de regulación de la calidad del agua. Fuente: Elaboración propia.
3. REGULACIÓN DE LA CALIDAD DEL AGUA
La capacidad de una cuenca para mejorar las características físicas, químicas y biológicas del
¿Qué es? agua mientras esta fluye por la cuenca, y para reducir la concentración de contaminantes. La
depuración de la calidad del agua se puede entender como el “filtro” de la cuenca.
La calidad del agua es algo significativo para las y los usuarios que requieren características
físicas, químicas o biológicas específicas o controladas. Por ejemplo, las empresas de agua
potable utilizan plantas de tratamiento; mientras mejor sea esa calidad, menor será el costo
¿Para quién es de tratamiento. De manera similar, las centrales hidroeléctricas requieren agua con buenas
importante? características físicas a fin de evitar la colmatación de los embalses y el deterioro de las
turbinas durante el proceso de generación eléctrica. Otros, como los municipios locales,
requieren características físicas, químicas y biológicas buenas para poder suministrar agua
potable a su población.
Una buena calidad del agua depende de las siguientes características naturales:
¿Qué elementos • Una buena cobertura vegetal que proteja el suelo
o procesos • Una buena estructura del suelo y una baja pendiente que evite la erosión
influyen? • Un bajo ingreso de contaminantes físicos, químicos o biológicos producto de las actividades
humanas y, en ocasiones, de fuentes naturales

Tabla 5. Servicio ecosistémico de regulación de eventos extremos. Fuente: Elaboración propia.
4. REGULACIÓN DE EVENTOS EXTREMOS
La capacidad de una cuenca para regular los fenómenos extremos —por ejemplo, de
¿Qué es? precipitación— a fin de controlar la magnitud, frecuencia y duración de eventos extremos
como inundaciones o movimientos de masa (deslizamientos de tierra).
El control de los caudales de crecida es fundamental para reducir los efectos de las inundaciones
¿Para quién es
importante? en las personas y actividades que se ubican en áreas propensas a aquellas. Los deslizamientos
de tierra se encuentran entre los desastres más destructivos en los Andes.
Un buen control de desastres depende de las siguientes características principales:

¿Qué elementos • Una baja ocurrencia de eventos extremos de precipitación
o procesos
influyen? • Una buena regulación hidrológica que atenúe crecidas de caudal
• Una buena estructura del suelo y una baja pendiente que ofrezca resistencia mecánica
Tabla 6. Servicio ecosistémico de conservación de los suelos. Fuente: Elaboración propia.
5. CONSERVACIÓN DE LOS SUELOS
La capacidad de una cuenca para controlar la erosión laminar (erosión difusa) y mejorar
la fertilidad y humedad del suelo y la producción vegetal. Las propiedades de los suelos
¿Qué es?
afectan la provisión de otros servicios ecosistémicos, como la producción vegetal, el forraje,
los cultivos, etc.
Los suelos en buen estado benefician a múltiples sectores de manera directa; por ejemplo,
¿Para quién es al sector agropecuario, que aprovecha los suelos para cultivos o pastos. Otros se benefician
importante? en forma indirecta; por ejemplo, aquellos que cuentan con reservorios susceptibles de
colmatación se benefician de una erosión reducida.
Muchas propiedades y funciones ecosistémicas influyen en el estado de los suelos, su fertilidad

¿Qué elementos y la producción vegetal:
o procesos • Una buena cobertura vegetal que pueda reducir la erosión y la pérdida de nutrientes
influyen? • Una buena humedad en el suelo, para protegerlo contra variaciones climáticas
• Una buena estructura de los suelos, como textura o alto contenido de materia orgánica

Hay una multitud de cobeneficios producto de las acciones de protección y restauración de los ecosistemas
para sostener o mejorar estos servicios ecosistémicos: por ejemplo, el mantenimiento de la biodiversidad; la
purificación del aire; la captura de carbono en el suelo y en la biomasa; la belleza escénica; el mantenimiento de
los valores culturales, y el sostenimiento y soporte de los procesos bioquímicos.
Existen, también, posibles compromisos entre los servicios ecosistémicos; es decir, en ocasiones, incrementar un
servicio puede resultar en la reducción de otro. Un ejemplo común es el de la forestación con especies exóticas. Las
plantaciones forestales pueden ayudar a mejorar la regulación hídrica e, incluso, el almacenamiento de carbono en la
biomasa; sin embargo, la vegetación arbórea, al ser más grande que la vegetación herbácea nativa, puede consumir más
agua, lo que reduce el rendimiento hídrico total. Asimismo, la introducción de especies exóticas puede resultar en una
reducción de la biodiversidad. Si bien la forestación en suelos degradados puede mejorar la infiltración de agua en el
suelo por acción de las raíces, existe un compromiso entre cuánta más agua puede infiltrarse y almacenarse en el suelo
y cuánta agua es consumida por efectos de la evapotranspiración y almacenamiento interno de los árboles (Figura 7).
A lo largo del año.
BOSQUE REGENERACIÓN TIERRA
NATURAL DEL BOSQUE DEGRADADA
100% 100% 100%
65%
42%
28%
2% 2% 11%
34% 57% 63%

-1% -1% -2%
En el mes más húmedo.

BOSQUE REGENERACIÓN TIERRA
NATURAL DEL BOSQUE DEGRADADA
100% 100% 100%
28%
19%
11%
2% 3% 22%
67% 72% 62%
3% 6% 4%
Figura 7. Balance hídrico en función de la precipitación. Adaptado de: van Meerveld et al. (2021).
Es necesario, entonces, considerar cobeneficios y compromisos entre servicios ecosistémicos cuando se toman decisiones
de intervención en los ecosistemas de la cuenca. Los modelos hidrológicos considerados deben ser capaces de modelar
los servicios ecosistémicos prioritarios y proporcionar información cuantitativa relevante para informar la toma de
decisiones. Es prudente resaltar que, en general, un modelo no va a poder modelar todos los servicios ecosistémicos.
Aunque se deben considerar los múltiples impactos en el territorio, se tienen que priorizar los servicios de mayor
interés y aquellos que serán más impactados por las intervenciones sobre la infraestructura natural consideradas.
“Es necesario considerar cobeneficios y compromisos

entre servicios ecosistémicos cuando se toman
decisiones de intervención en los ecosistemas”.

Foto: Víctor Idrogo

PASO 3. INTERVENCIONES SOBRE LA

INFRAESTRUCTURA NATURAL QUE SE BUSCAN
MODELAR
Este paso tiene como objetivo definir los tipos de intervenciones sobre la infraestructura natural que se desean
modelar, a fin de compararlos con el conjunto disponible de modelos hidrológicos y determinar si son capaces —y
cómo— de representar las intervenciones dentro de los parámetros y procesos del modelo. El resultado esperado
de este paso es un conjunto de intervenciones definidas —acompañadas de propuestas conceptuales que pueden
ser implementadas en los modelos—, para comparar los modelos disponibles, y evaluar su capacidad y utilidad de
modelación de dichas intervenciones. Pueden usarse las siguientes preguntas guía:
• P8. Qué infraestructura natural es importante para nuestro propósito?
• P9. ¿Cuáles son las intervenciones, sobre la infraestructura natural en el terreno, que se desean modelar?
• P10. ¿Cuál es la conceptualización del funcionamiento de las intervenciones que buscan modelarse?
• P11. ¿Cómo se puede representar el funcionamiento de las intervenciones sobre la infraestructura natural en
los modelos hidrológicos?
Para modelar las intervenciones sobre la infraestructura natural, los modelos hidrológicos utilizan variables, como uso
y cobertura del suelo, propiedades de almacenamiento de agua en el suelo, intervenciones de tipo superficial en el
terreno (barreras, depresiones, etc.), o características de recarga de agua subterránea. La conceptualización del
funcionamiento de las intervenciones debe basarse en las variables y representaciones que emplean los modelos
hidrológicos para garantizar su utilidad, con el fin de evaluar diferencias en la respuesta hidrológica producto del
cambio de dichas variables, así como los efectos de una variación en la complejidad, precisión y sensibilidad de los
modelos. La Tabla 7 muestra un conjunto de intervenciones en la infraestructura natural, cuyos efectos pueden ser
conceptualizados con el fin de modelarlas utilizando procesos sencillos.

Tabla 7. Lista de intervenciones en infraestructura natural y posible enfoque de evaluación-modelación. Fuente: Elaboración propia.
Intervención en la Uso y Características de Intervenciones Características

Posible enfoque
infraestructura cobertura almacenamiento estructurales y flujos
natural conceptual
del suelo de agua en el suelo en la superficie subterráneos
Reducir la velocidad
Creación de áreas de la escorrentía con
de protección en la diferentes coberturas.
parte alta de la Utilizar mapa de
cuenca cobertura y uso de
suelo para conservación.
Comparar escenarios
Instalación de antes y después
sistemas de uso de un proyecto
productivo de uso sostenible
sostenible como mediante variables
agroproductivos, de caracterización de
agroforestales o suelos y vegetación en
silvopastoriles áreas intervenidas.
Compra de predios Sustentar reducción
en zonas de interés de caudales líquidos y
hídrico para sólidos para protección
protección o
restauración de áreas.
Cuantificar los impactos

Instalación de de las quemas sobre
sistemas de control la producción de
y prevención servicios hídricos en
contra incendios
forestales comparación con
escenario natural.
Establecimiento o Comparar con

fortalecimiento de escenario de área
un sistema de de conservación
vigilancia en áreas degradada y establecer
de conservación su gestión.
Comparar manante
degradado o
Protección de desaparecido.
manantes y su área Determinar área de
de acceso
contribución y área de
influencia del manante.
Utilizar mapa de
cobertura y uso de
Clausura de pastos suelo para conservación.
naturales para Modificar variables
evitar el ingreso de
ganado de propiedades de
almacenamiento de
agua en el suelo.
Implementación de
sistemas de Modificar variables
pastoreo rotativo de propiedades de
en praderas almacenamiento de
naturales para
eliminar agua en el suelo.
sobrepastoreo
Siembra de pastos Comparación de

naturales para (re) una cobertura con
generar cobertura vegetación y con suelo
desnudo.

Posible enfoque
natural conceptual
Mejoramiento
genético de ganado Cambio de coberturas
en áreas fuera de de vegetación en áreas
los ecosistemas no pastoreadas.
bajo protección
Cambio de coberturas
Cambio de crianza de vegetación con
de ganado lechero pastoreo y propiedades
por la de camélidos de los suelos para
sudamericanos evaluar la reducción en
erosión.
Siembra de avena Utilizar mapa de

forrajera o pastos cobertura y uso de
suelo con cambios de
de forraje en zona cobertura en zonas
de pastos naturales productivas.
Modificar variables
de propiedades
de transporte y
almacenamiento de
Restauración de agua en el suelo.
humedales Modificar procesos
del modelo para
simular cambios en la
hidrología.
Eliminación de la Modificar las variables
práctica de de contenido de
extracción de la carbono y materia
capa orgánica de orgánica en los suelos
turberas y y su influencia en la
bofedales hidrología.
Evaluar la efectividad
Restauración de de la infraestructura
infraestructura en el almacenamiento.
ancestral de Utilizar funciones de
infiltración ralentización de flujo y
tiempo de residencia.
Evaluar la capacidad
de almacenamiento
y reducción de la
velocidad del flujo;
Construcción de evaluar la capacidad
zanjas de de control de erosión
infiltración y reducción de
escorrentía; evaluar las
tasas de infiltración de
agua.
Evaluar la efectividad
Construcción de de la infraestructura
infraestructura en el almacenamiento.
rústica de Utilizar funciones de
almacenamiento o ralentización de flujo y
infiltración tiempo de residencia
Determinar cambios en
la evapotranspiración,
Forestación con consumo de agua de
especies exóticas la vegetación arbórea
y modificaciones en
rendimiento hídrico.

Posible enfoque
natural conceptual
Sustentar el uso de
coberturas para
recuperar zonas
Forestación de degradadas; utilizar
zonas degradadas mapas de degradación;
o muy vulnerables modificar variables de
infiltración de agua en
los suelos.
Recuperación de Evaluar las coberturas
bosques nativos, actuales y proponer
primarios y nuevos usos de suelo
secundarios
Plantear alternativas
de recuperación a
partir de coberturas e
Recuperación de infraestructuras; evaluar
andenes y terrazas la capacidad de control
prehispánicas de erosión y reducción
de escorrentía; evaluar
las tasas de infiltración
de agua.
Evaluar infraestructuras
Construcción de y coberturas
diques en zonas de en reducción y
pendiente fuerte almacenamiento de
flujo y sedimentos.
Construcción de Evaluar infraestructuras

collarines de en reducción y
piedras almacenamiento de flujo.
Evaluar infraestructuras y
Construcción de coberturas en reducción
terrazas de y almacenamiento de
formación lenta flujo.
Evaluar infraestructuras
Construcción de en reducción y
gaviones para almacenamiento de
estabilizar cárcavas flujo y sedimentos.
Favorecer la reducción
de velocidad y dar
Construcción de conservación vial;
obras de drenaje evaluar la producción
de trochas de sólidos suspendidos
carrozables y aumento en la carga
y concentración de
sedimentos
Una vez que se han identificado las intervenciones sobre la infraestructura natural que se desean modelar; que se
ha conceptualizado un enfoque de modelación para la evaluación de su efectividad, y que se han realizado propuestas
de modelación, es posible reconocer qué modelos hidrológicos pueden ser aptos para producir las simulaciones
esperadas. Esta definición hace que, de un universo de modelos hidrológicos existentes, se pueda obtener un
subconjunto de aquellos modelos que cuenten con el mayor potencial de ser utilizados para el caso en cuestión.
Estos modelos deben ser capaces de atender en forma satisfactoria la pregunta de gestión planteada, de cuantificar
los servicios ecosistémicos hídricos prioritarios y de simular las intervenciones sobre la infraestructura natural
propuestas. A continuación, es necesario entender mejor cómo los modelos pueden responder al contexto específico
institucional y a los recursos, datos y capacidades disponibles.

PASO 4. CONTEXTO DE TOMA DE DECISIONES, LOS

RECURSOS Y CAPACIDADES
El primer objetivo de este paso es determinar los intereses de las tomadoras y tomadores de decisión, los recursos
y capacidades iniciales, así como el tiempo disponible para tomar las decisiones. El resultado esperado es lograr un
entendimiento del contexto de toma de decisiones para generar información de relevancia, considerar los recursos
y capacidades específicas de la institución decisora, y establecer los tiempos para tomar decisiones de gestión. Se
pueden utilizar las siguientes preguntas guía:
• P12. ¿Cuál es el uso previsto de los resultados del modelo hidrológico?
• P13. ¿Cuál es el tiempo disponible para realizar la modelación con el fin de informar la decisión en cuestión?
Los usos previstos de los resultados de la modelación Otro factor significativo es conocer con qué urgencia se
dependen de manera directa de los intereses de las necesitan los resultados de la modelación para tomar una
tomadoras y tomadores de decisión, formuladores de decisión. El tiempo necesario para obtener resultados de
proyectos y hacedores de política relacionada con la los modelos depende de la complejidad de la estructura
infraestructura natural modelada. Dichos usos pueden del modelo, la disponibilidad de datos y las capacidades
incluir desarrollar escenarios futuros, conducir técnicas para correr el modelo. Si se requiere una decisión
evaluaciones políticas, valorizar los ser vicios rápida, el tiempo se convierte en un condicionamiento
ecosistémicos para una región, determinar las mejores importante que influencia la selección del modelo.Algunas
acciones para mantener o potenciar los ser vicios ventanas de tiempo comunes pueden ser decisiones que
ecosistémicos prioritarios, calcular compromisos entre deben ser tomadas en menos de tres meses, en un lapso
diferentes servicios ecosistémicos, evaluar los beneficios de entre tres y seis meses o de entre seis meses y un
y cobeneficios de las inter venciones sobre la año, o luego de un año.
infraestructura natural, etc. Este contexto debe ser
conocido y entendido por quienes realizarán el ejercicio Existe una interrelación y contrabalance entre la
de modelación —sean profesionales que pertenezcan disponibilidad de datos, los recursos y las capacidades
o no a la institución decisora—, para asegurar que la locales y el tiempo disponible. Los modelos más
modelación hidrológica responda a un interés integral complejos proveen, por lo general, predicciones más
más allá de la teoría hidrológica. precisas y tienen un mayor rango de usos, pero

asimismo pueden ser más difíciles de utilizar y entender, una decisión rápida en un contexto de escasez de
requieren más y mejores datos de entrada y datos y recursos. Grayson & Bloschl (2000) ilustran
disponibilidad de recursos, y también capacidades y cómo la disponibilidad de información condiciona a
experiencia técnica en modelación. Un modelo la elección de una complejidad del modelo y su
complejo puede no ser la mejor opción para tomar capacidad predictiva (Figura 8).
“Un modelo complejo puede no ser la

mejor opción para tomar una decisión rápida
en un contexto de escasez de recursos”.
Capacidad predictiva
(problemas de
(alta)
identificabilidad)
(alta)
Complejidad del modelo
(media)
(baja)
(baja)
(modelo no puede
explotar los datos)
(baja) Disponibilidad de datos (alta)
Figura 8. Relación entre disponibilidad de datos, complejidad del modelo y capacidad predictiva. Adaptado de: Grayson
& Bloschl (2000).

El segundo objetivo de este paso es hacer una evaluación de la disponibilidad de datos y recursos, así como de
la capacidad técnica disponible en la institución interesada, para determinar la posibilidad de implementar los
modelos hidrológicos y las herramientas que sean relevantes. Esto ayudará a determinar qué tan complejo debe
ser un modelo. El resultado esperado es un inventario de los datos disponibles para el área de modelación definida
que atienda a la pregunta de gestión de interés, y una evaluación de los recursos y la capacidad técnica interna.
Es necesario caracterizar si la capacidad interna es alta, media o baja, a los fines de operar los modelos hidrológicos
potencialmente relevantes; y, si la capacidad técnica interna es baja o nula, determinar si existen recursos o fondos
adicionales para contratar un equipo experto externo que pueda construir y correr el modelo relevante dentro
del tiempo requerido para la toma de decisiones. Algunas preguntas guía son:
• P14. ¿Qué datos están disponibles para atender la pregunta de gestión en cuestión?
• P15. ¿Se cuenta con la calidad de datos necesaria para los modelos hidrológicos preferidos?
• P16. ¿Existe capacidad técnica interna y experiencia previa para operar modelos hidrológicos potencialmente
relevantes?
• P17. De ser necesario, ¿existen los recursos para financiar capacidad técnica externa, al objeto de operar un
modelo seleccionado?
Un enfoque eficiente para evaluar el estado de En otros escenarios de disponibilidad de información

disponibilidad de datos es examinar los requerimientos es posible contar con un rango más amplio de datos
de datos de entrada de modelos diferentes y comparar locales relevantes que pueden ser usados como ingresos
qué datos existen o ya están disponibles. Al analizar la a los modelos hidrológicos, o incluso con un conjunto
disponibilidad de datos es posible encontrarse con de datos locales de alta calidad que provea información
pocos o que incluso haya vacíos de datos para las detallada de variables de entrada para los modelos
variables hidrológicas necesarias para correr un modelo. hidrológicos, así como valores locales de servicios
La versión más sencilla de un modelo hidrológico ecosistémicos. Algunos modelos un poco más complejos
requiere una serie de tiempo de precipitación, como requieren un modelo digital de elevación y un mapa de
principal entrada de agua en una cuenca, con el fin de cobertura o uso del suelo, en particular si se necesita
simular su conversión en una serie de tiempo de caudal. espacializar las simulaciones de intervenciones sobre la
En ocasiones no existirán datos disponibles de infraestructura natural. Asimismo, una serie de tiempo
precipitación dentro de la cuenca (datos primarios) y de caudal suele ser necesaria y deseable para calibrar
se tendrán que utilizar extrapolaciones de estaciones los parámetros de los modelos hidrológicos, aunque no
pluviométricas y meteorológicas cercanas (datos es indispensable para aquellos modelos más complejos
secundarios). Cuando incluso esto no sea posible, que emplean ecuaciones basadas en física. Algunos
porque no hay estaciones cercanas, estas no son modelos utilizan información disponible en bases de
representativas o los datos no ocurren dentro de un datos globales de manera automática, mientras que
periodo de tiempo de interés, se puede optar por usar otros requieren el ingreso manual de datos medidos. Se
datos secundarios de sensores remotos. En la actualidad pueden utilizar datos secundarios disponibles en datasets
existen productos satelitales que pueden ayudar a globales para diversas variables necesarias (p. ej.,
enfrentar la escasez de datos en territorio (Kummerow WorldClim: Fick et al., 2017), pero los datos locales han
et al., 1998;Tapley et al., 2011; Entekhabi et al., 2010; Hou demostrado generar estimaciones modeladas más
et al., 2014; Tang et al., 2020). precisas (p. ej., Ochoa–Tocachi et al., 2016a, 2018a;
Redhead et al., 2016). En ocasiones, es posible que se
requiera generar datos primarios mediante experimentos
en campo o sistemas de monitoreo hidrológico, con el
fin de respaldar la modelación o mejorar el portafolio
de modelos que pueden ser seleccionados.

“Se pueden utilizar datos secundarios
disponibles en datasets globales para
diversas variables necesarias, pero los datos
locales han demostrado generar
estimaciones modeladas más precisas”.
Es necesario, también, evaluar si existe la capacidad técnica que aprovechen dicha información. Si la capacidad técnica
interna para operar modelos hidrológicos. Puede ser que interna es moderada y, además, hay un rango amplio de
la experticia técnica local sea pequeña o esté restringida datos disponibles, se pueden considerar modelos que
por disponibilidad de personal o tiempo. Los modelos sean medianamente complejos y ofrezcan asistencia al
más sencillos podrían ser operados por personal técnico usuario. En estos casos, el fortalecimiento de capacidades
con conocimientos en hidrología limitados, pero se corre del personal técnico interno debe ser considerado como
el riesgo de obtener altas incertidumbres en los resultados una vía eficiente de mejora de resultados. Uno de los
que se alcancen. Algunos modelos pueden ser operados casos más particulares es el de la conceptualización,
con herramientas online y requieren de habilidades desarrollo, construcción, codificación y operación de
técnicas moderadas. Si la capacidad técnica interna para modelos propios hechos a la medida, lo cual requiere de
recolectar datos y operar modelos no está disponible, un conocimiento interno alto que entienda el contexto
hay que preguntarse si existen los recursos económicos de toma de decisiones, los intereses y los recursos
para contratar experticia externa necesaria y suficiente. disponibles (p. ej., Ochoa–Tocachi et al., 2019a). Por último,
Si la respuesta es sí, entonces es importante clarificar la con una perspectiva a largo plazo, es recomendable que
cantidad de recursos disponibles e involucrarse con quienes toman decisión consideren la validación regular
organizaciones y personas que puedan proveer esa de los modelos y la necesidad de ejecutarlos varias veces
experticia y el soporte técnico del caso. durante un periodo de tiempo dado o mientras más y
mejores datos (y, potencialmente, mejores modelos) se
Los modelos más complejos requieren de una capacidad vuelvan disponibles. Con esta perspectiva de planificación
técnica alta, sea interna o disponible mediante la integral, es necesario evaluar si lo más costo–efectivo sería
contratación de un equipo experto externo. Si no se contar con un equipo interno fuerte, bajo un sistema de
cuenta con la experticia interna en modelación, pero formación y entrenamiento continuo, o si es suficiente
algunos datos locales están disponibles y existen los valerse de un equipo experto externo que esté disponible
recursos suficientes para contratar un equipo experto de manera puntual durante periodos cor tos de
externo, se pueden considerar modelos más complejos implementación de un modelo.
“El fortalecimiento de capacidades del

personal técnico interno debe ser
considerado como una vía eficiente de
mejora de resultados”.

PASO 5. EVALUACIÓN DE MODELOS HIDROLÓGICOS

DISPONIBLES
El Volumen 1 de la práctica de modelación concluye con la selección del modelo hidrológico (o caja de herramientas
de modelación) que se utilizará para responder la pregunta de gestión de interés (Paso 1) mediante la modelación
de los servicios ecosistémicos hídricos prioritarios (Paso 2), generados o afectados por las intervenciones sobre la
infraestructura natural propuestas (Paso 3), en el contexto de toma de decisiones identificado, usando los datos,
recursos y capacidades técnicas disponibles (Paso 4). El objetivo de este Paso 5 es comparar los resultados de los
pasos 1 al 4 y seleccionar el modelo hidrológico más apropiado. Para guiar a las tomadoras y tomadores de decisión
en esta selección, se presentan en lo que sigue conceptos clave acerca de la teoría de modelación hidrológica y una
comparación de una lista corta de modelos populares. Los resultados esperados de este paso son proveer un mejor
entendimiento de las especificidades técnicas de cada modelo y afinar el número de modelos o herramientas de
modelación que pueden usarse en el contexto de toma de decisiones identificado. Asimismo, luego de realizar los
pasos 1 al 4 de la primera fase de esta guía, las tomadoras y tomadores de decisión deberían ser capaces de seleccionar
uno o dos de los modelos hidrológicos más apropiados para atender sus preguntas mientras se garantiza la capacidad
técnica, disponibilidad de datos y recursos, con el objeto de obtener resultados dentro del tiempo disponible para
tomar decisiones. Las preguntas guía que se responderán en este paso son:
• P18. ¿Cuál es el modelo hidrológico que responde en forma positiva a la mayor cantidad de criterios y cómo?
• P19. ¿Qué limitaciones y desventajas existen para el modelo hidrológico seleccionado?
• P20. ¿Qué otros modelos son alternativas factibles para el ejercicio de modelación?
La variabilidad climática, la diversidad de ecosistemas y la variedad de preguntas por contestar a diferentes escalas
espaciales y temporales, fomentan el desarrollo de diversos enfoques y modelos hidrológicos para responder a
problemas específicos. En este contexto, los modelos hidrológicos existentes son numerosos, e incluso profesionales
en hidrología pueden tener dudas en el momento de escoger entre un modelo u otro. En ocasiones, esta selección
de modelos estará basada en criterios cualitativos; por ejemplo, se utilizará el modelo más popularizado para una u

otra aplicación o aquel modelo que haya logrado introducirse en el imaginario institucional. Este tipo de enfoques
resultan cuestionables debido a que los modelos hidrológicos, por ser simplificaciones de la realidad, se quedan cortos
para responder “todo tipo de preguntas”. En el mundo de la modelación hidrológica es común observar el sesgo
cognitivo del “martillo de oro”, el cual se refiere a una dependencia excesiva de una herramienta, tecnología o
paradigma con los que se tienen cierta familiaridad y que son ensalzados de manera exagerada. Este sesgo se resume
en la frase: “Cuando la única herramienta que se tiene es un martillo, todo problema comienza a parecerse a un
clavo”. Por esta razón, para realizar una selección objetiva y válida se deben reconocer los objetivos del estudio,
identificar correctamente los procesos críticos que serán representados en las modelaciones y considerar la información
disponible y las capacidades técnicas en el momento de modelar.
“Cuando la única herramienta que se

tiene es un martillo, todo problema
comienza a parecerse a un clavo”.
Tipos de modelos hidrológicos
Un primer paso para poder decidir entre toda la gama elemento para representar la capacidad de
de modelos hidrológicos implica reconocer los diferentes almacenamiento de los componentes del sistema
tipos de modelos disponibles y contar con una idea acerca hidrológico, y flujos simplificados para llenar o vaciar
de qué tipo de modelo escogeríamos sobre la base de estos reservorios (Solomatine & Wagener, 2011). Por
la información disponible y los procesos por representar. último, los modelos de base física —también llamados
Se dispone de varias clasificaciones de modelos basados en procesos o de “caja blanca”— hacen uso
hidrológicos en la literatura (p. ej., Singh, 1995; Refsgaard, de representaciones más detalladas y rigurosas; por lo
1996; Solomatine & Wagener, 2011). En esta guía, dividimos general, se basan en leyes de conservación de masa,
los modelos hidrológicos según: a) el nivel de descripción momento y energía, y están compuestos por ecuaciones
de procesos hidrológicos; b) la discretización espacial; y que representan procesos basados en este entendimiento.
c) la introducción de aleatoriedad en la modelación. Los modelos basados en física son los más complejos y
es común que demanden impor tantes recursos
Por el nivel de descripción de procesos hidrológicos, los computacionales, además de una alta capacidad técnica
modelos se clasifican en: i) empíricos; ii) conceptuales; para su operación.
y iii) de base física. Los modelos empíricos —también
llamados “data–driven” o modelos de “caja negra”— De igual forma, los modelos hidrológicos se clasifican de
son desarrollados sin considerar procesos físicos de acuerdo con su discretización espacial en modelos: i)
manera explícita (Resfgaard, 1996). Ejemplos comunes agregados; ii) semidistribuidos; y iii) distribuidos (Figura
de este tipo son los modelos que usan algoritmos 7). Esto influye en los requerimientos de información a
estadísticos o de aprendizaje de máquina, como redes diferentes escalas, que van desde información resumida
neuronales artificiales (ANN, por sus siglas en inglés) o (como el área de la cuenca) hasta información muy
máquinas de vectores soporte (SVM, por sus siglas en detallada (como mapas espaciales de elevación, suelos o
inglés). Por su par te, los modelos conceptuales cobertura vegetal), y las salidas de los modelos dependerán
caracterizan el funcionamiento del sistema a través de también de estas escalas. Los modelos agregados tratan
representaciones simplificadas de procesos hidrológicos a cada cuenca de estudio como si fuera una unidad, y las
mediante relaciones paramétricas simples. Estos modelos variables y parámetros empleados representan valores
utilizan parametrizaciones de reservorios como principal promedio para toda la cuenca.

MODELO MODELO MODELO
AGREGADO SEMI-DISTRIBUIDO DISTRIBUIDO
Figura 9. Discretización de modelos a escala espacial: agregados, semidistribuidos y distribuidos. Fuente: Elaboración propia.
Según la aleatoriedad que los modelos puedan introducir, algunas extensiones o configuraciones, y ser operado de
estos se clasifican en: i) determinísticos; y ii) estocásticos. forma determinística.
Un modelo determinístico es aquel donde las mismas
entradas producirán de manera invariable las mismas Es necesario advertir que no hay un tipo de modelo
salidas, no contemplándose la existencia del azar ni el que sea mejor que otro; simplemente, tienen aplicaciones
principio de incertidumbre. Esto quiere decir que, si se diferentes. A simple vista, los modelos de base física
repite una simulación usando un conjunto de valores de pueden dar la impresión de reproducir de manera más
parámetros del modelo y variables de entrada fiel la realidad debido a que se aproximan a las leyes
determinados, se obtendrán siempre los mismos aceptadas por la comunidad científica. Sin embargo, su
resultados; asimismo, si se varían los datos de entrada o alta parametrización y alta demanda de datos conllevan
se modifican los parámetros ligeramente, los resultados problemas de modelación y calibración, como la no
serán distintos. Este principio es utilizado posteriormente linealidad, la equifinalidad y la sobreparametrización
para la calibración de los parámetros de los modelos. Sin (Beven, 2011). Por otro lado, la agregación espacial de
embargo, en ciertas ocasiones se requiere la capacidad los modelos agregados o semidistribuidos imposibilitan
de generar un comportamiento estocástico o aleatorio la evaluación de escenarios que requieran una alta
en diferentes componentes del modelo; en tal caso, los resolución espacial (desagregación de lugares). Por
modelos estocásticos permiten aleatoriedad o ejemplo, evaluar el impacto de intervenciones sobre la
incer tidumbre en las salidas, lo cual puede estar infraestructura natural con vistas al control de
considerado en las variables de entrada, las condiciones inundaciones puede requerir un modelo distribuido si
de frontera o los parámetros del modelo (Beven, 2011). se quiere estimar la reducción de áreas inundables en
La utilidad de los modelos estocásticos se resalta para una microcuenca para una tormenta de diseño dada,
procesos que son intrínsecamente aleatorios o inciertos, de la misma manera que el emplazamiento de un
como la ocurrencia de lluvia o las predicciones del clima. portafolio óptimo de intervenciones puede exigir una
mirada desagregada de la cuenca para evaluar dónde
En la práctica, la clasificación de modelos es un poco más estas deben ser colocadas más eficientemente para
difusa. Algunos modelos de base física incorporan, de maximizar los beneficios. Sin embargo, no siempre es
por sí, modelos empíricos. Por ejemplo, muchos paquetes posible —ni necesario— desagregar espacialmente la
de modelamiento de agua subterránea —como Modflow modelación, bien por limitaciones en los datos disponibles,
o Feflow— son descritos como modelos de base física. los recursos computacionales o las capacidades técnicas,
Aun así, estos modelos utilizan la ley de Darcy, la cual fue o bien porque los resultados esperados no requieren
derivada en forma empírica mediante experimentos de la consideración de su distribución espacial, como la
laboratorio (Darcy, 1856). De igual forma, un modelo estimación del rendimiento hídrico total de una cuenca
puede tener la capacidad de ser estocástico, a través de o su balance hídrico.

Modelos hidrológicos populares
Los modelos hidrológicos descritos a continuación comprenden una aproximación a los objetivos que se pretenden
alcanzar mediante esta guía. En esa virtud, algunos modelos abarcan diferentes análisis del ciclo del agua y los
ecosistemas. En la Tabla 8 nombramos varios modelos y sus principales características.
Tabla 8. Características de modelos hidrológicos relevantes y frecuentemente utilizados. Fuente: Elaboración propia.
Componente de
Modelo Requerimiento de Salidas del
Descripción infraestructura
hidrológico información modelo
natural
Soil and Water Assessment Topografía distribuida Uso y cobertura del Series de tiempo
Tool. Modelo semidistribuido, en modelo digital de suelo, intervención diarias, mensuales y
es una herramienta para elevación (DEM); mapa en la superficie, y anuales de láminas
la evaluación del suelo y de cobertura y uso características de de escorrentía,
agua. Fue desarrollado con del suelo (LULC); tabla la capacidad de infiltración
el objeto de predecir el biofísica del suelo; mapa almacenamiento del (almacenamiento
impacto de las prácticas de de tipo de suelo (textura subsuelo. y aporte
SWAT manejo en la generación y estructura); información subsuperficial),
(Arnold et al., de flujos, sedimentos y climatológica diaria de evaporación
2012) sustancias agrícolas–químicas, precipitación; temperatura y cantidad de
para las prácticas de manejo. máxima y mínima. sedimentos
Es un modelo continuo que transportados.
requiere información sobre
clima, propiedades del suelo,
topografía, vegetación y
manejos.
KINematic runoff and Topografía distribuida Uso y cobertura del Series de tiempo
EROSion model. Modelo en modelo digital de suelo, intervención de caudal, lámina
semidistribuido, orientado a elevación (DEM); mapa en la superficie, de infiltración,
eventos, está basado en los de cobertura y uso y capacidad de concentración,
procesos de interceptación, del suelo (LULC); tabla almacenamiento del erosión,
KINEROS infiltración, escorrentía biofísica del suelo; mapa subsuelo. deposición, y
y erosión. La cuenca de tipo de suelo (textura y producción de
(Woolhiser et al.,
1990) hidrográfica está representada estructura); granulometría sedimentos en la
por una cascada de planos del cauce; y hietograma de cuenca.
y canales. Las ecuaciones se precipitación.
resuelven mediante técnicas
de diferencias finitas.
TOPographic index MODEL. Topografía distribuida Intervención en Series de tiempo

Modelo hidrológico en modelo digital la superficie, y de la lámina de
semidistribuido que se de elevación (DEM); características de escorrentía a
fundamenta en el concepto información de la capacidad de escala de evento,
TOPMODEL del índice topográfico. Es un precipitación y almacenamiento del días, meses y años.
(Beven & Kirkby, indicador de la susceptibilidad evapotranspiración a subsuelo.
1979; Buytaert & de ciertas zonas de la cuenca diferentes escalas de
Beven, 2010) a saturarse completamente tiempo; y parámetros
y, por ello, basado en el físicos del subsuelo.
mecanismo de escorrentía
por exceso de saturación.

Componente de
natural
Hydrologic Engineering Topografía distribuida Uso y cobertura del Series de tiempo

Center– Hydrologic Modeling en modelo digital de suelo, intervención de caudal por un
System. Junto al interfaz de elevación (DEM); mapa en la superficie, y evento de lluvia o
preprocesamiento HEC– de cobertura y uso características de a escala continua
GeoHMS, está diseñado del suelo (LULC); tabla la capacidad de de precipitación
HEC-HMS y para simular procesos biofísica del suelo; mapa almacenamiento del y pérdidas por
HEC–GeoHMS hidrológicos completos de de tipo de suelo (textura subsuelo. infiltración.
cuencas, incluyendo muchos y estructura); hietograma
(Scharffenberg, procedimientos de análisis de precipitación para
2016; Fleming & tradicional para eventos escala evento. Para escala
Doan, 2000 (abstracción, hidrograma continua se requiere
unitario, tránsito hidrológico), parámetros físicos del
así como simulación continua subsuelo.
(evapotranspiración,
derretimiento de nieve,
contenido de humedad).
Modelo de agua subterránea Según los fines del Uso y cobertura del Resultados de
de diferencias finitas. La estudio, puede requerir suelo, intervención balance hídrico
estructura consiste en un información topográfica, en superficie y entre zonas (ríos,
MODFLOW programa principal y una de fuentes y sumideros subterráneo, y pozos, lagos, áreas
serie de subrutinas altamente (ríos, drenes, lagos, pozos, características de de interés).
(Harbaugh, independientes. Las subrutinas etc.) y propiedades la capacidad de
2005) se agrupan en paquetes; cada hidrogeológicas. Realiza almacenamiento del
uno trata de una característica simulaciones en régimen subsuelo.
específica del sistema estático y transitorio.
hidrológico que se debe
simular, como el flujo de ríos.
Water Evaluation And Área, información Características de Lámina de agua y

Planning. Herramienta de características de la capacidad de caudal mensual.
WEAP de modelación para la almacenamiento del almacenamiento del WEAP es, en
planificación y distribución subsuelo, precipitación subsuelo. realidad, más
(Sieber & de agua, principalmente. mensual, y temperatura una plataforma
Purkey, 2015) También realiza modelamiento media mensual. de software de
hidrológico a escala continua. modelación que
un modelo en sí
mismo.
Routing System Modélisation Topología de ríos, puntos Características de Caudal a

des Intempéries de Nature de confluencia y áreas la capacidad de diferentes escalas
Extrême dans le Rhône de subcuencas con almacenamiento del de tiempo,
Valaisan et leurs Effets. información de altitud subsuelo. incluyendo todos
Software de modelación y topografía distribuida los componentes
originalmente desarrollado en bandas de elevación, del balance
para la predicción de avenidas climatología diaria o hídrico (p. ej.,
y gestión de recursos hídricos mensual de precipitación consumo de agua,
RS MINERVE en regiones de montaña. Hoy y temperatura, infraestructura
en día ofrece una gama amplia opcionalmente ETP. RS hidráulica).
(García de aplicaciones, incluyendo MINERVE construye un
Hernández et al. un balance hídrico con modelo a partir de tres
2014, 2020) objetos de gestión, como de entradas en formato
infraestructura hidráulica. RS vectorial: rivers, junctions
MINERVE abarca diferentes y subbasins, además
modelos hidrológicos: GSM, de una base de datos
SOCONT, SAC–SMA, GR4J climatológica de P, T y
y HBV. ETP (la última puede ser
“automática”, de una base
de datos global o una
serie de datos manual).

Componente de
natural
Hydrologiska Byråns Área, perfil del río, Características de Caudal a diferentes

Vattenbalansavdelning. Modelo información de las la capacidad de escalas de tiempo.
conceptual agregado que características de almacenamiento del
considera un balance hídrico y almacenamiento del subsuelo.
un balance de energía. Consta subsuelo, precipitación
HBV de cuatro rutinas (módulo y temperatura a escala
de fusión y acumulación de continua.
(Bergström, nieve, módulo de humedad
1992, 1995) del suelo y precipitación
efectiva, módulo de
evapotranspiración, y módulo
de estimación de escorrentía).
Modelo conceptual agregado Área, precipitación, Características de Series de tiempo

con fines de pronosticar coeficiente de escorrentía, la capacidad de de caudal medio
caudales a escala mensual ETP, precipitación efectiva, almacenamiento del mensual.
LUTZ SCHOLZ mediante un modelo que balance hídrico mensual, subsuelo.
combina el balance hídrico periodos del ciclo
(Scholz, 1980) para el año promedio, con un hidrológico, retención
proceso markoviano para la de la cuenca, caudal
generación de caudales. observado.
InVEST es una caja de Topografía distribuida Uso y cobertura Mapa de número

herramientas para explorar en modelo digital de del suelo, y de curva, caudal
cómo los cambios en los elevación (DEM), mapa características de instantáneo,
ecosistemas pueden conducir de cobertura y uso la capacidad de caudal base.
a cambios en los servicios del suelo (LULC), tabla almacenamiento del Para el módulo
ecosistémicos que benefician biofísica, mapa de tipo subsuelo SDR, mapas de
a las personas. La caja de de suelo, mapa mensual producción de
InVEST herramientas tiene tres de precipitación, ETP, sedimentos y la
módulos para los servicios y eventos de lluvia por relación de entrega
(Sharp et al., ecosistémicos hídricos mes. Para el módulo de de sedimentos
2018) (producción estacional del relación de entrega de como salidas
agua, relación de entrega de sedimentos (SDR) se principales.
sedimentos, y rendimiento requiere un DEM, índice
hídrico anual). de erosividad de lluvia,
erodabilidad del suelo,
mapa LULC, tabla biofísica,
y cuencas.

Componente de
Requerimiento de Salidas del
Modelo hidrológico Descripción infraestructura
información modelo
natural
Modelo distribuido Topografía distribuida Uso y cobertura del Mapas ráster

desarrollado para fondos de en modelo digital suelo, intervención distribuidos a
agua, basado en el concepto de elevación (DEM); en la superficie, y escala mensual
de hidrozonas de regulación mapa de cobertura características de continua y
hidrológica; balance hídrico y uso del suelo las intervenciones promedios
distribuido y cumulativo (LULC); tabla de de infraestructura mensuales
para rendimiento correspondencia natural. Las interanuales
hídrico; y transporte en hidrozonas; tabla intervenciones de caudal y
de contaminantes y de abstracciones y pueden catalogarse concentración
sedimentos, basado en retornos de caudal como hidrozonas de compuestos.
coeficientes de fuente antrópicos; tabla independientes Series de tiempo
FONAG 2.1 by ATUK y transporte. El balance de coeficientes de con sus propias mensuales
(Ochoa–Tocachi et hídrico implementado por evapotranspiración, características de continuas de
al., 2019b, 2020a, el modelo considera la regulación hidrológica rendimiento hídrico, precipitación,
2020b) producción de agua por la y transporte de capacidad de caudal,
infraestructura natural, así compuestos de regulación hidrológica concentración
como los usos y retornos hidrozonas; mapas o transporte de de compuestos,
de caudal por actividades ráster climáticos compuestos. en los puntos
humanas. (precipitación, de interés. Mapa
temperatura, de estrés hídrico
evapotranspiración); distribuido.
puntos de interés para Resultados de
las salidas. calibración y
de análisis de
sensibilidad.
Regionalización de Características Las intervenciones Indicadores

cuencas pares de la agregadas de la se deben traducir hidrológicos
Iniciativa Regional de cuenca de interés en los valores de estimados en
Monitoreo Hidrológico en las categorías las características valor promedio
de Ecosistemas Andinos de forma, drenaje, biofísicas de las y rango de
(iMHEA). Es un modelo elevación, topografía cuencas: forma, incertidumbre
empírico agregado que y pendiente, drenaje, topografía y al 95 % de
relaciona las propiedades suelos y geología, pendiente, suelos y confianza.
MODELO DE biofísicas de las cuencas meteorología, geología, cobertura Indicadores en
REGIONALIZACIÓN y sus características intensidad de de suelo, y uso de las categorías
iMHEA
climáticas para estimar precipitación, suelo. de rendimiento
(Ochoa–Tocachi et valores de indicadores cobertura de suelo, y hídrico,
al., 2016b) hidrológicos y sus rangos uso de suelo. regulación
de incertidumbre. Utiliza hidrológica,
regresiones lineales balance hídrico,
multivariables basadas en magnitud
los datos de las cuencas de caudales,
iMHEA en los Andes frecuencia,
tropicales. duración,
temporalidad, y
tasa de cambio.

Requerimiento de Componente de Salidas del
Modelo hidrológico Descripción
información infraestructura natural modelo
Las metodologías Datos específicos Las metodologías Cada

CUBHIC del lugar, como las CUBHIC se han metodología
(cuantificación de características del desarrollado para incluye una
beneficios hidrológicos suelo y la vegetación; cinco (5) tipos de hoja de cálculo
de intervenciones datos climáticos intervenciones en descargable
en cuencas) son un de precipitación infraestructura natural: de beneficios
conjunto de modelos y temperaturas (Microsoft
hidrológicos que (máximos, mínimos 1. Conservación Excel), así como
apuntan a realizar y promedios) y restauración la información
una evaluación rápida PISCO o medidos de pastizales necesaria para
CUBHIC de los beneficios de en campo; números altoandinos; aplicarla. Los
cantidad y calidad de curva en función 2. Zanjas de infiltración; resultados se
(Foster et al., 2020; del agua de las de las características 3. Forestación y generan en la
Ochoa-Tocachi & intervenciones en protección de misma hoja de
Cuadros-Adriazola, observables del sitio.
infraestructura natural. bosques; Excel.
2022) 4. Restauración y
protección de
humedales; y
5. Qochas
(microreservorio
spermeables)
6. Construcción y
recuperación de
amunas (canales
ancestrales de
infiltración).

La Tabla 9 muestra las características de los modelos hidrológicos considerados.
Tabla 9. Resumen de las características de los modelos hidrológicos considerados. Fuente: Elaboración propia.
Salidas Escala Escala

Acceso
Modelo del modelo espacial temporal
hidrológico Cantidad Calidad Mapa Semi
Agregado Distribuido Continuo Evento Libre Comercial
de agua de agua temático distribuido
SWAT
KINEROS
TOPMODEL
HEC–HMS
MODFLOW
WEAP
RS MINERVE
HBV
LUTZ
SCHOLZ
InVEST
FONAG 2.1
iMHEA
CUBHIC

La Tabla 10 combina una visión de las herramientas de modelación hidrológica en funciones que abordan el uso
previsto de los resultados, el formato de salidas y la infraestructura natural modelada.
Tabla 10. Identificación de modelos hidrológicos según capacidad de modelar intervenciones en infraestructura natural. Fuente:
Elaboración propia.
Modelación de intervenciones en infraestructura natural

Modelo Comparar
hidrológico escenarios Características de Intervenciones
Uso y cobertura del Características y flujos
almacenamiento de estructurales en la
suelo subterráneos
agua en el suelo superficie
SWAT Sí Sí Sí Sí No
KINEROS Sí Sí Sí Sí No
TOPMODEL Sí * Sí No No
HEC–HMS Sí Sí Sí Sí No
MODFLOW Sí Sí Sí Sí Sí
WEAP Sí * Sí Sí No
RS MINERVE Sí * Sí Sí No
HBV Sí No Sí No No
LUTZ
Sí No Sí No No
SCHOLZ
InVEST Sí Sí Sí Sí No
FONAG 2.1 Sí Sí Sí Sí No
iMHEA Sí Sí * No *
CUBHIC Sí Sí Sí * Sí
*No por defecto. Requiere preprocesamiento o una estrategia de modelación adaptada.
Seleccionar el modelo más apropiado

Finalmente, con las respuestas a las preguntas de cada uno de los cinco pasos anteriores, se llena la Tabla 1, mostrada
al inicio de este volumen, que resume la información necesaria para seleccionar el modelo hidrológico (o caja de
herramientas de modelación) más apropiado.

Ejemplo de aplicación
La cuenca Tambo–Ilo–Moquegua, en el sur del Perú (Moquegua, Arequipa y Puno), es una de las cuencas priorizadas
en el proyecto Infraestructura Natural para la Seguridad Hídrica (Figura 10). Comprende dos unidades hidrográficas
de la vertiente del Pacífico: la cuenca Tambo y la cuenca Ilo–Moquegua, que cubren un área total de 16,492 km2, con
126,715 habitantes. La cuenca Tambo–Ilo–Moquegua presenta una marcada gradiente altitudinal desde la zona
altoandina (5,665 m.s.n.m.) hasta su desembocadura en el océano Pacífico (29 m.s.n.m.). En ese sentido, comprende
diversos ecosistemas, entre los cuales predominan el pajonal de puna seca (34 %), el matorral andino (26 %), el
desierto costero (22 %) y la zona periglaciar (15 %) (MINAM, 2019b).
200000 280000 360000
COLOMBIA
CHIVAY ECUADOR
H
!
8250000
8250000
PUNO BRASIL
.
!
O
a
C…
uÒ
ch
AN
I
o
R
O
Ì
PA
CÕ
BOLIVIA
FI
8200000
8200000
PUNO
CO
AREQUIPA CHILE
.
!
AREQUIPA
RÌo LEYENDA
C
Límite departamental
or
aq
ga
ue
l
Lin
OMATE
Capital
8150000
8150000
a
H
!
ad
Q uebr
.
! Departamental
H
! Provincial
nd o
ayro
Hu bo
b ra da R Ìo T a m Cuenca Tambo-Moquegua
Q u e
ta
MOLLENDO RÌo T o
ra Represa Pasto Grande
H
!
RÌo Tum ilac a Lagos
8100000
8100000
MOQUEGUA Ríos
Il o
MOQUEGUA .
!
R Ìo
CANDARAVE
H
! Elevación (msnm)
s
uanero
OC
29 - 750
…A
aG
N
751 - 1,500
ad
O
TARATA
Quebr
PA
a H
! 1,501 - 2,250
n TACNA
CÕ
Ho
FIC
a
bra d 2,251 - 3,000
Qu e
8050000
8050000
±
LOCUMBA
O
ILO H
!
H
! 3,001 - 3,750
3,751 - 4,500
km 4,501 - 5,665
0 15 30 60
200000 280000 360000
Figura 10. Caracterización de la cuenca Tambo–Ilo–Moquegua. Fuente: Elaboración propia.
Existe una diferencia marcada de disponibilidad hídrica entre ambas cuencas. Los problemas de abastecimiento
hídrico en la cuenca Ilo–Moquegua condujeron a la construcción de la presa Pasto Grande (cuenca Tambo), cuyo
trasvase es utilizado para fines agrícolas y poblacionales (ciudades de Moquegua e Ilo). No obstante, se advierte
una problemática hídrica en Pasto Grande con relación a la calidad y cantidad de agua. En la actualidad, la presa
se encuentra al 68 % de su capacidad, la época de estiaje se ha acentuado y los bofedales se han degradado debido
a la ganadería intensiva de alpacas, que disminuye su capacidad de regulación hídrica. También hay presencia de
metales pesados y de algas, que impactan gravemente en la calidad del agua (SUNASS, 2019).
Por otro lado, las principales fuentes de abastecimiento hídrico en la cuenca Ilo–Moquegua se encuentran en la
parte alta. Las captaciones subterráneas y superficiales en la subcuenca del río Tumilaca abastecen al 44 % de la
población de Moquegua (SUNASS, 2019). Sin embargo, se han observado impactos sobre la seguridad hídrica. En
la parte alta de la cuenca se presentan proyectos mineros (Southern y Quellaveco) cuya operación implica una
serie de consecuencias sobre los ecosistemas vitales, como bofedales, además de influencia en el régimen de los

ríos y pasivos ambientales. A ello se suma la pérdida de cobertura vegetal por la expansión agrícola y urbana
(SUNASS, 2019).
En ese contexto, la cuenca Tambo–Moquegua se presenta como un caso complejo para la gestión integrada de
recursos hídricos, en el que confluyen múltiples intereses y actores (población, sector minero, agrario, etc.). No
obstante, también es un escenario propicio para la articulación y alineación de esfuerzos hacia la recuperación
y conservación de la infraestructura natural, con vistas a sentar las bases para un desarrollo sostenible e
hídricamente seguro. (Tabla 11)
Tabla 11. Ejemplo de aplicación de la guía de preguntas y respuestas de los pasos 1 al 5 para la selección de modelos
hidrológicos para infraestructura natural. Fuente: Elaboración propia.
P1. ¿Cuál es la pregunta ¿Cómo mejoramos el abastecimiento de agua para la ciudad

de gestión que queremos de Moquegua, principalmente en las subcuencas Tumilaca,
atender usando el modelo Alto Ilo–Moquegua, así como en el reservorio de Pasto
hidrológico? Grande?
P2. ¿Cómo podemos ¿Las intervenciones sobre la infraestructura natural pueden

definir el alcance de esta atenuar los caudales altos en temporadas de lluvia para:
pregunta de manera i) aumentar los caudales disponibles en temporada de
que obtengamos salidas estiaje; y
relevantes del modelo? ii) reducir la carga de sedimentos?
PASO 1.
Determinar las
preguntas de
gestión y definir su
alcance.
P3. ¿Qué formatos (p. Proyecciones de escenarios con y sin intervención:
ej., series de tiempo de series de tiempo de caudal y carga de sedimentos a
caudal, mapas de variables resoluciones temporales altas (como mínimo, diarias);
biofísicas) se requieren de mapas desagregados espacialmente de fuentes de erosión
las salidas del modelo? y sedimentos.
Esperamos obtener resultados de los impactos de las

P4. ¿Qué niveles de
intervenciones en, como mínimo, 5 % de la línea base.
exactitud y precisión son
necesarios para tomar
El valor medio de caudal en la estación Santa Rosa es 30
una decisión sobre esta
m3/s; entonces, la precisión definida aquí como aceptable (5
pregunta?
%) sería de 1.5 m3/s.

i) Regulación hídrica (atenuación de crecidas y caudal en

P5. ¿Qué servicios temporada seca).
ecosistémicos son
importantes para nuestra ii) Control de erosión anual.
toma de decisiones y a
qué escala geográfica? Escala: subcuencas Tumilaca y Alto Ilo–Moquegua; y reservorio
de Pasto Grande.
PASO 2. P6. Qué procesos y El almacenamiento de agua en los suelos de los pajonales
Identificar los funciones hidrológicas y bofedales es uno de los mayores controladores del
servicios controlan los servicios servicio de regulación hídrica.
ecosistémicos
hídricos ecosistémicos hídricos El suelo desnudo es más vulnerable a la erosión que
prioritarios. prioritarios? genera sedimentos en los caudales.
P7. Qué indicadores

i) Volumen acumulado de agua durante la temporada de
hidrológicos pueden ser
estiaje.
utilizados para obtener
respuestas representativas
ii) Carga acumulada de sedimentos a escala anual.
de estos servicios?
P8. ¿Qué infraestructura

La infraestructura natural prioritaria son los pajonales y los
natural es importante para
bofedales.
nuestro propósito?
Las intervenciones consideradas son:

P9. ¿Cuáles son las
intervenciones sobre la i) Conservación y protección de pajonales y bofedales; y
infraestructura natural en
el terreno que se desean ii) Recuperación de zonas de suelo desnudo con cobertura
modelar? vegetal.
PASO 3.
Conceptualizar las
Conservación: mantener la capacidad de almacenamiento
intervenciones P10. ¿Cuál es la
sobre la de agua en el suelo, así como la capacidad de infiltración de
conceptualización del
infraestructura agua en el suelo.
natural que se funcionamiento de las
desean modelar. intervenciones que buscan
Recuperación de la cobertura vegetal: reducir la erosión y
modelarse?
el efecto de la intensidad de la lluvia sobre el suelo.
Cambios en el mapa de cobertura y uso de suelo, o tipos

P11. ¿Cómo se
de ecosistemas.
puede representar el
Cambios en las características de los suelos (almacenamiento
funcionamiento de las
de agua, conductividad hidráulica, profundidad del suelo,
intervenciones sobre la
infiltración).
infraestructura natural en
Capacidad de considerar distintos tipos de erosión.
los modelos hidrológicos?

Ejercicio exploratorio para decidir si y dónde es necesario

P12. ¿Cuál es el uso
asignar un presupuesto para proyectos de inversión en
previsto de los resultados
intervenciones sobre la infraestructura natural, a nivel de
del modelo hidrológico?
prefactibilidad.
P13. ¿Cuál es el tiempo

disponible para realizar la
Es necesario realizar una modelación en un máximo de dos
modelación con el fin de
semanas.
informar la decisión en
cuestión?
Datos disponibles: DEM ALOS–PALSAR, a resolución de

12.5 m; mapa de ecosistemas de MINAM (2019b); mapa de
P14. ¿Qué datos están
cobertura y uso de suelo comisionado, a resolución de 30
disponibles para atender
m; mapas de suelo globales (FAO); datos climáticos PISCO
la pregunta de gestión en
(precipitación y temperatura) diarios; datos climáticos de
cuestión?
SENAMHI in situ diarios; datos de caudal para calibración
(ANA) diarios.
PASO 4.
Reconocer el
contexto de toma
de decisiones, los
recursos, datos y P15. ¿Se cuenta con la
capacidades La calidad de datos disponibles es adecuada para utilizarse
disponibles.
calidad de datos necesaria
para los modelos en un modelo como SWAT, KINEROS o InVEST.
hidrológicos preferidos?
P16. ¿Existe
capacidad técnica
interna y experiencia
Sí existe la capacidad técnica dentro del proyecto INSH y
previa para operar
experiencia previa en los modelos identificados.
modelos hidrológicos
potencialmente
relevantes?
P17. De ser necesario,

¿existen los recursos para
financiar capacidad técnica
No es necesario.
externa con el objeto
de operar un modelo
seleccionado?

Se ha seleccionado el modelo hidrológico SWAT. Este

modelo es capaz de simular caudales diarios y cargas de
sedimentos en el mismo ejercicio. Es un modelo
semidistribuido que permitirá obtener salidas en forma de
P18. ¿Cuál es el modelo
mapas para analizar fuentes de sedimentos y espacializar las
hidrológico que responde
intervenciones. Es capaz de asimilar datos de cobertura
en forma positiva a
vegetal y características de los suelos. Asimismo, no requiere
la mayor cantidad de
mayor calibración para llegar a resultados al nivel requerido.
criterios y cómo?
Las intervenciones consideradas, relacionadas con coberturas
del suelo, sí pueden ser modeladas con SWAT. Debido a la
experiencia previa en el uso del modelo, se pueden obtener
resultados dentro de las restricciones de tiempo dadas.
PASO 5.
Evaluar los modelos
hidrológicos en este SWAT utiliza el método MUSLE para modelar la erosión.
contexto y P19. ¿Qué limitaciones y No es posible simular otros tipos de erosión, en particular,
seleccionar el más desventajas existen para movimientos en masa y cárcavas.
apropiado.
el modelo hidrológico
seleccionado? La hidrología de los bofedales no es adecuadamente
representada por el método del número de curva.
KINEROS es una alternativa factible, con la desventaja de

P20. ¿Qué otros modelos que las modelaciones se harían a escala de evento de
son alternativas factibles precipitación y no continuo.
para el ejercicio de
modelación? InVEST podría ser utilizado para generar valores promedio
anuales y estacionales, pero no series de tiempo continuas.

Foto: Michell Leon

VOLUMEN II

Foto: Michell Leon

IMPLEMENTAR, VALIDAR Y ANALIZAR
MODELOS HIDROLÓGICOS
Vol. II: Implementar, validar y analizar modelos
Paso 6: Generar datos primarios o, en

Vol. I: Definir modelos su defecto, compilar datos secundarios.
para toma de
decisiones Paso 7: Elaborar escenarios de
modelamiento para la evaluación de
impactos futuros o alternativos.
Implementar
la modelación Paso 8: Calibrar y validar el modelo
hidrológica e hidrológico de manera robusta e
integrar el idealmente automatizada.
proceso
Paso 9: Evaluar los cálculos y el

desempeño del modelo mediante análisis
de sensibilidad y de incertidumbre.
Paso 10: Interpretar los resultados

adecuadamente, con el objeto de generar
indicadores relevantes para la toma de
decisiones.
Esta sección se dirige a especialistas en modelación hidrológica que requieran generar resultados de modelos
hidrológicos para contribuir a informar decisiones en torno a intervenciones sobre la infraestructura natural; a
especialistas en la formulación y evaluación de proyectos; así como a tomadoras y tomadores de decisión que no
sean especialistas en hidrología o en modelación hidrológica, para participar del proceso de modelación con el fin
de maximizar su relevancia para la toma de decisiones. A continuación, en lugar de enfocarnos en conceptos
fundamentales de procesos hidrológicos, daremos orientaciones en torno a la importancia de los datos ingresados
al modelo; de definir y desarrollar escenarios de simulación; de calibrar y validar modelos para realizar estimaciones
más realistas; de realizar análisis de la sensibilidad e incertidumbre asociadas a estas estimaciones; y de interpretar
resultados de manera que aporten a la toma de decisiones informadas. Muchos software de modelamiento incluyen
herramientas de calibración y cálculo de incertidumbre; sin embargo, entender estos procedimientos y las implicancias
para la simulación de escenarios es útil para mejorar la confiabilidad en las predicciones.


Foto: Jorwi Deiby Barboza Castro
PASO 6. DATOS E INFORMACIÓN
Este paso busca clarificar el papel de las observaciones que la calidad de la modelación tendrá una relación
y las mediciones en la práctica de la modelación. La directa con la cantidad y calidad de los datos de entrada
modelación no es un reemplazo para la generación de al modelo. Los datos de entrada al modelo pueden
datos primarios mediante el monitoreo in situ; es, más provenir de fuentes primarias o secundarias. Los datos
bien, una herramienta para extraer conocimiento de primarios son aquellos que obtenemos directamente
observaciones tipo “proxy” y hacer estimaciones en el de la realidad, recogiéndolos o produciéndolos con
caso de que una observación directa no sea posible (p. instrumentos propios. Los datos secundarios, por otra
ej., predicciones o evaluaciones ex ante). Sin embargo, parte, son informaciones que ya han sido producidas
los productos de una modelación siempre serán, en por otras personas o instituciones y pueden ser
principio, inferiores a las observaciones directas, mientras reutilizadas en varias aplicaciones.
“Los productos de una modelación

siempre serán, en principio, inferiores a las
observaciones directas, mientras que la
calidad de la modelación tendrá una relación
directa con la cantidad y calidad
de los datos de entrada al modelo”.

Relevancia, credibilidad y legitimidad
La información tiene un valor intrínseco. Esto se puede cuando es importante para la pregunta de interés. Cuando
explicar a par tir de los conceptos de relevancia, se evalúa el beneficio de conservar, restaurar o proteger
credibilidad y legitimidad (Cash et al., 2003). Los datos la infraestructura natural, la relevancia describe qué tan
son simples hechos y números. Podemos recolectar bien el contexto de toma de decisiones es considerado
datos sobre una cuenca y sobre el agua que fluye a por la selección y configuración del modelo hidrológico.
través de ella, sin extraer significado de dichos datos. La credibilidad se ocupa de que la información sea
Los datos se convierten en información cuando son transparente y robusta. La información es creíble cuando
analizados, interpretados y puestos en contexto es percibida como correcta y confiable. La credibilidad
(Brauman et al., 2021a). Sin embargo, no toda la depende de varios factores, que van desde qué tan bien
información es igualmente significativa o útil. las tomadoras y tomadores de decisión entienden los
principios y herramientas utilizadas en la modelación
Brauman et al. (2021a) analizan la utilidad de la hidrológica, hasta el nivel de precisión y exactitud de los
información en función del contexto de toma de resultados. La legitimidad se ocupa de cómo la información
decisiones. Una manera de analizar si la información es ha sido producida y comunicada. La información es
útil es considerar si es relevante, creíble y legítima (Cash legítima cuando es el resultado de relaciones, confianza
et al., 2003). La relevancia se ocupa del tipo de y procesos generados de interacciones productivas y
información proporcionada. La información es relevante honestas con las tomadoras y tomadores de decisión.
Relevancia es la importancia de la información para una decisión.
• ¿La información proporcionada atiende a los problemas de interés para la toma de decisiones?
• ¿Se modelaron las variables hidrológicas correctas?
• ¿Los hallazgos informan a los objetivos?
Credibilidad es la percepción de que la información cumple estándares de robustez científica y técnica.
• ¿Cuál es la calidad de la información producida?

• ¿Tiene autoridad, es creíble y confiable?
• ¿Las tomadoras y tomadores de decisión entienden cómo la información fue generada y confían en
que es exacta y precisa?
Legitimidad es la percepción de que la información fue generada de manera “justa” y sin sesgos, considerando
valores, preocupaciones y perspectivas apropiadas de diversas personas e instituciones.
• ¿El proceso de generación y comunicación de información cumple estándares de equidad política y

procedimental?
• ¿El personal técnico goza de la confianza de las tomadoras y tomadores de decisión?
• ¿Se confía en que la evaluación y la comunicación de la información es transparente?
Fuente: Brauman et al. (2021a); definiciones adaptadas de Cash et al. (2003)
En el contexto de la infraestructura natural, la relevancia requiere que un modelo hidrológico incorpore los objetivos
e intervenciones relevantes para el contexto de toma de decisiones en cuestión (Brauman et al., 2021a). Un
modelo preciso y exacto, y por tanto creíble, que predice cómo los cambios en la lluvia afectan a los caudales
aguas abajo pero que no incorpora los efectos de cambios en la infraestructura natural, no es relevante. Un modelo
relevante que informa el contexto de toma de decisiones puede ser considerado creíble, aun si es menos preciso
o exacto, si las tomadoras y tomadores de decisión entienden las simplificaciones del proceso de modelación. El
hecho de que las salidas de un modelo hidrológico sean consideradas relevantes y legítimas refleja si las tomadoras
y tomadores de decisión fueron consultados durante el proceso de desarrollo de la modelación y, por tanto, si
confían en la organización que produce la información (Hamel et al., 2020; Bremer et al., 2020).

Importancia de las observaciones y mediciones
Todo modelamiento hidrológico depende, en mayor tan importante es incluir la intercepción en un modelo
o menor medida, de observaciones en campo. Estas hidrológico. La importancia de la intercepción en una
obser vaciones, conocidas como datos primarios, cuenca dominada por pajonales puede ser despreciable,
permiten una mejor comprensión de la realidad y mientras que para un bosque la intercepción puede
producir un modelo con mejores resultados. La utilidad ser un proceso con mucha influencia en el ciclo
de las observaciones en el proceso de modelamiento hidrológico. Por otro lado, la presencia de bofedales
puede apreciarse durante: a) la percepción de la podría indicar la necesidad de incluir un componente
realidad; b) la elección de la estructura del modelo; c) de “reservorio” en el modelo hidrológico que imite
su configuración; y d) su calibración. Se debe comprender su capacidad de amor tiguación de la escorrentía
que los modelos son, al final de cuentas, simplificaciones superficial. La información bioclimática —como la
de la realidad. La información disponible será intensidad de las precipitaciones y el bioma al que
determinante para definir el grado de comprensión de pertenece una cuenca— y la información topográfica
un área modelada. En muchos casos, existirá información pueden dar una idea del orden de magnitud de caudales
cualitativa que debe ser transformada a información o de la manera en que se genera la escorrentía
cuantitativa; por ejemplo, un suelo de tipo arenoso (Ochoa–Tocachi et al., 2018a), lo cual permite hacerse
tendrá una conductividad hidráulica saturada entre 10-5 una idea inicial de cómo representar matemáticamente
y 10-3 m3/s (Boeker & van Grondelle, 1995). En otras los procesos hidrológicos.
ocasiones, la información tendrá algunas limitaciones;
por ejemplo, los vertederos triangulares “tipo V” tienen Por otra parte, la capacidad predictiva de una modelación
alta precisión para flujos bajos, pero su incertidumbre depende del equilibrio entre la complejidad de un
aumenta para flujos altos (Herschy, 2009). Otra modelo hidrológico y la cantidad de información
situación común es la carencia de información de disponible. Los diferentes modelos existentes pueden
caudal para calibrar o evaluar un modelo hidrológico. ser tan simples como ecuaciones de conversión de
Esta situación en particular es problemática porque no precipitación a escorrentía por medio de un factor
se pueden evaluar las suposiciones realizadas sobre el adimensional, como el coeficiente de escorrentía, o tan
sistema modelado. De hecho, hacer predicciones en complejos como un sistema de ecuaciones diferenciales
cuencas que no tienen observaciones de caudal es un de orden superior. Las diferentes complejidades tienen
desafío para las ciencias hidrológicas y se conoce como consecuencias en cuanto al costo computacional, los
“predicciones en cuencas no monitoreadas” (Blöschl parámetros del modelo y la capacidad de predicción.
et al., 2013; Ochoa–Tocachi et al., 2016b). Estos Como ya se mencionó antes (Figura 6), una mayor
pequeños ejemplos ilustran la diferencia en complejidad en un modelo hidrológico no necesariamente
disponibilidad de datos y qué tan precisos pueden ser. se traduce en mejores resultados para preguntas
par ticulares de toma de decisiones. Implementar
La información disponible permite construir la modelos complejos con poca cantidad de información
percepción de un modelador sobre el sistema o con datos de mala calidad se traduce en resultados
hidrológico. Esta percepción es útil para escoger los pobres por problemas de sobreparametrización del
procesos hidrológicos y las ecuaciones por las cuales modelo y la necesidad de realizar muchas suposiciones
representarlos; por ejemplo, el tipo de cober tura sobre la variabilidad espacial de algunos parámetros (cf.
vegetal en un área puede dar una idea acerca de qué Muñoz et al., en revisión).
“Implementar modelos complejos con poca cantidad

de información se traduce en resultados pobres por
problemas de sobreparametrización del modelo y la
necesidad de realizar muchas suposiciones sobre la
variabilidad espacial de algunos parámetros”.

Para definir la calidad de las observaciones y mediciones No necesariamente la exactitud y la precisión vienen de
se utilizan los conceptos de exactitud (accuracy) y precisión la mano. El caso ideal es aquel donde tanto la exactitud
(precision). En ocasiones son términos que se usan en como la precisión son altas, es decir, el promedio de las
forma indistinta, pero en realidad describen diferentes mediciones es cercano al valor real y la dispersión de los
elementos de la calidad de la información. La exactitud se datos es poca; pero esto no se conoce a priori. Desde un
refiere al desfase de los datos, mientras que la precisión
punto de vista estadístico, el peor caso es aquel donde
alude a su dispersión (Figura 11). Por ejemplo, para un
dato real existente representado por el círculo rojo en la ambas características fallan (Figura 11c). Sin embargo, el
Figura 11, se generan varias mediciones con diferentes caso más desfavorable en la medición de datos en campo
grados de exactitud y precisión representadas por los es aquel en el que la exactitud es pobre, es decir, las
puntos grises. Si el promedio de las mediciones se mediciones se encuentran lejos del valor real pero la
encuentra dentro del círculo rojo, podemos decir que las precisión es alta (Figura 11b). Este caso es peligroso
mediciones tienen un alto nivel de exactitud (Figuras 11a, porque la alta precisión genera una falsa sensación de
11d). Si el promedio de las mediciones se encuentra fuera certeza, cuando, en realidad, aun si las mediciones repetitivas
del círculo rojo, la exactitud de las mediciones es baja no son dispersas, los valores medidos pueden estar muy
(Figuras 11b, 11c). Por otro lado, si la variabilidad de las lejos del valor real y llevar a conclusiones erradas. Por otro
observaciones es alta, es decir, existe una alta dispersión
lado, incluso si la precisión de los datos es baja, es decir,
en los datos, podemos afirmar que las mediciones tienen
una baja precisión (Figuras 11a, 11c). A su vez, si la existe una alta dispersión, lo ideal es asegurar que la
dispersión es poca, es decir, los datos se encuentran exactitud sea alta para que al menos el promedio de
concentrados en un área, podemos sostener que las dichos datos dispersos sea una buena aproximación del
mediciones son de una precisión alta (Figuras 11b, 11d). valor real.
a b
EXACTO (bajo error) NO EXACTO (alto error)

NO PRECISO (alta dispersión) PRECISO (baja dispersión)
c d
NO EXACTO (alto error) EXACTO (bajo error)

NO PRECISO (alta dispersión) PRECISO (baja dispersión)
Figura 11. Comparación entre los conceptos de exactitud y precisión de los datos. Fuente: Davies (2020).

“El caso más desfavorable en la medición de
datos en campo es aquel en el que la exactitud
es pobre pero la precisión es alta, porque
genera una falsa sensación de certeza”.
La naturaleza de los datos necesarios para los modelos depende de los objetivos de la modelación. A escala espacial
y temporal, se pueden considerar diferentes criterios en la generación de datos para atender dichos objetivos:
• Escala espacial
• El área de monitoreo debe ser representativa de los procesos y condiciones del medio que
lo rodea.
• A escala de cuenca: precipitación, caudal, propiedades biofísicas.
• A escala de parcela: estación climática, procesos hidrológicos, procesos de vegetación,
propiedades específicas.
• Escala temporal
• Inmediata: rapidez de respuesta de la cuenca, regulación hidrológica.
• Horaria: intensidades de precipitación.
• Diaria: monitoreo a mediano y largo plazo, rendimiento hídrico.
• Mensual: estacionalidad, modelación a largo plazo, gestión de recursos hídricos.
• Anual: variabilidad climática, ciclos interanuales (p. ej., El Niño), cambio climático.
Las observaciones —sobre todo, las de precipitación suposiciones y elecciones pueden incluir la descripción
y caudal— permiten calibrar un modelo hidrológico. de procesos hidrológicos, el acoplamiento de estos
Luego de haber entendido la realidad, haber realizado procesos, la discretización numérica, la representación
suposiciones y configurado el modelo, se requiere de variabilidad espacial, etc. (Butts et al., 2004). Sin
estimar los mejores parámetros que puedan embargo, la utilidad de las observaciones no se reduce
aproximarse a mediciones observadas. Esta estimación solo a la decisión de la estructura de modelo. Se utilizan
se realiza a través de algunos algoritmos de optimización. diversas fuentes para aproximar la información
Si no existiesen estas observaciones, el proceso de disponible en un área de estudio a una configuración
estimación de parámetros no se podría realizar específica del modelo. Por ejemplo, delimitar una
cuantitativamente, lo que disminuiría la confiabilidad cuenca hidrográfica requiere contar con información
de los resultados del modelo. Asimismo, los errores de topográfica, la cual ha sido derivada de sensores
medición de caudal o precipitación pueden propagarse remotos y está disponible a través de productos
a la calibración. Por ejemplo, en un modelo hidrológico satelitales como ASTER o ALOS–PALSAR. Por otro
cuyo objetivo es simular eventos de inundación, pero lado, para estimar la capacidad de infiltración de agua
que es calibrado con datos de una estación hidrométrica en los suelos, se pueden realizar pruebas hidrofísicas
diseñada para aforar caudales bajos y no para caudales en campo con el fin de obtener valores más acertados.
pico, esta incertidumbre en la medición de caudales Esta mayor precisión sobre información de parámetros
altos se propagará a la incertidumbre del modelo. de un modelo se traduce en una mayor certeza en los
resultados. Otra alternativa incluye combinar capas de
Tanto la percepción de la realidad como la elección información geográfica de cobertura vegetal y uso de
de la complejidad del modelo se traducen en la suelos obtenidas de otras fuentes. Este tipo de
estructura del modelo. Esta estructura no es más información obtenida en forma indirecta se conoce
que el conjunto de suposiciones y elecciones que se como datos secundarios, los cuales son una alternativa
realizan explícita o implícitamente en un modelo. Estas valiosa ante la escasez de datos primarios.

Disponibilidad de datos secundarios
En aquellos casos en los que no es posible generar DEM, por ejemplo, son construidos mediante
datos primarios, es importante considerar la compilación interferometría radar; estereoscopía, a partir de pares
de datos secundarios disponibles. Varios modelos, de de imágenes aéreas o tomas por satélite; digitalización
todas maneras, necesitan un conjunto de datos de las curvas de nivel de un mapa; entrada directa de
secundarios para poder ser operados, incluyendo las coordenadas (x, y, z) de los puntos del terreno,
información distribuida de topografía en forma de un medidas por GPS, triangulación (por topografía) o por
modelo digital de elevación (MDE; o DEM, por sus medio de un telémetro láser ; sistema láser
siglas en inglés); mapas de uso y cobertura de suelo aerotransportado (LIDAR); etc. En la mayoría de los
usualmente disponibles a escala regional; mapas de casos, los DEM son generados por instituciones como
tipos de suelos y sus características de transporte y el United States Geological Survey (USGS) y otras
retención de agua; información sobre abstracciones y autoridades geográficas nacionales e internacionales, y
retornos de caudal, generalmente de bases de datos son compilados por el equipo de modelación para ser
de autorizaciones para consumo humano; etc. Los asimilados por los modelos como datos secundarios.
“Varios modelos necesitan un conjunto de datos

secundarios para poder ser operados”.
Hay ocasiones en que no es posible obtener la natural, como ríos o estribaciones, pero sin ningún objeto
información que se requiere, debido a problemas en la a la manera de vegetación o edificios (Li et al., 2005).
disponibilidad de datos. Por ejemplo, si bien un DEM Un DTM se puede interpolar para generar un DEM,
busca representar la distribución espacial de la cota del pero no viceversa. Cada tipo de modelo digital puede
terreno de manera cruda con relación a un sistema de ser usado para aplicaciones diferentes, pero en ocasiones
referencia concreto, removiendo todos los elementos son usados de manera indistinta, dependiendo de su
naturales y construidos, existen variantes que pueden disponibilidad y acceso. A su vez, estos datos secundarios
ser fundamentalmente diversas. Un modelo digital de pueden estar disponibles a diferentes escalas, resoluciones
superficie (MDS; DSM, por sus siglas en inglés) se refiere y calidad. Por ejemplo, es común disponer de ráster
a una estimación fiel sobre la superficie de la tierra, DEM con una resolución de 90 m, a disposición de
incluyendo todos los objetos que esta contiene, manera abierta en todo el mundo (USGS EarthExplorer),
incorporando elementos naturales y ar tificiales o mientras que ráster DEM de resoluciones más finas
construidos. Un modelo digital de terreno (MDT; o deben ser producidos con levantamientos topográficos
DTM, por sus siglas en inglés) típicamente aumenta un o sistemas LIDAR, o pueden ser adquiridos de terceros
DEM, incluyendo elementos vectoriales del terreno a un costo asociado (Tabla 12).

Tabla 12. Diferentes resoluciones de modelos digitales de elevación (DEM) y sus aplicaciones. Fuente: Virtual Terrain Project
(2021)
APLICACIÓN ARC METROS (APROXIMADO)
Mapamundi global 1 grado 110 kilómetros (km)
Tamaño de un cuadrante de
mapa tradicional
7.5 arcos de minuto (arcmin) 14 kilómetros (km)
Mapa de elevación global 30 arcos de segundo (arcsec) 1 kilómetro (km)
SRTM disponible en todo el

mundo
3 arcos de segundo (arcsec) 90 metros (m)
DEM de topografía, USA SRTM

disponible
1 arco de segundo (arcsec) 30 metros (m)
DEM de topografía 1/3 arcos de segundo (arcsec) 10 metros (m)
DEM de LIDAR (nuevos

productos)
1/9 arcos de segundo (arcsec) 3.4 metros (m)
Algunas fuentes de datos secundarios para la modelación hidrológica se muestran en la Tabla 13.
Tabla 13 . Fuentes de datos secundarios para su aplicación en modelación hidrológica. Fuente: Elaboración propia.
TIPOS DE DATOS FUENTE DE DATOS
USGS EarthExplorer, SRTM, en https://earthexplorer.usgs.gov

Modelos digitales de ASTER, en https://asterweb.jpl.nasa.gov/gdem.asp
elevación, usos de
suelo, otros datos
ALOS–PALSAR, en https://earth.esa.int/eogateway/missions/alos
globales NASADEM, en https://earthdata.nasa.gov/esds/competitive–programs/measures/nasadem
MERIT DEM, en http://hydro.iis.u-tokyo.ac.jp/~yamadai/MERIT_DEM/
SENAMHI, en https://www.senamhi.gob.pe
Datos climáticos de
estaciones in situ
NOAA NCDC, en https://www.ncdc.noaa.gov/cdo-web/
SO-HYBAM, en https://hybam.obs-mip.fr

Datos iMHEA, en http://imhea.org

hidrometeorológicos https://figshare.com/collections/High-resolution_hydrometeorological_data_from_a_network_of_
de ecosistemas headwater_catchments_in_the_tropical_Andes/3943774
andinos
SEDC FONAG, en http://sedc.fonag.org.ec
TRMM, en https://climatedataguide.ucar.edu/climate-data/trmm-tropical-rainfall-measuring-mission
Productos satelitales
de precipitación
GPM, en https://gpm.nasa.gov/data/directory
Precipitation Processing System, en https://arthurhou.pps.eosdis.nasa.gov
Datos climáticos de PISCO, en https://www.senamhi.gob.pe

reanálisis, WorlClim, en https://www.worldclim.org/data/index.html
temperatura,
precipitación,
ERA5, en https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels
variables CHIRPS, en https://www.chc.ucsb.edu/data/chirps
meteorológicas https://data.chc.ucsb.edu/products/CHIRPS-2.0/global_daily/netcdf/p05/
GlobaLand 30, en http://www.globallandcover.com/defaults_en.html?src=/Scripts/map/defaults/En/

download_en.html
Sentinel, en
https://sentinel.esa.int/web/sentinel/thematic-areas/land-monitoring/land-cover-use-and-change-
Mapas de cobertura y
uso de suelo
detection-mapping
MODIS, en https://modis.gsfc.nasa.gov/data/dataprod/mod12.php
MODIS Terra, en https://terra.nasa.gov/about/terra-instruments/modis
MODIS Aqua, en https://oceancolor.gsfc.nasa.gov/data/aqua/
MINAM, en https://sinia.minam.gob.pe/mapas/mapa-nacional-ecosistemas-peru

SMAP humedad del suelo, en https://smap.jpl.nasa.gov

GRACE gravedad, en https://podaac.jpl.nasa.gov/GRACE
Datos de tipos y FAO Soils Portal, en http://www.fao.org/soils-portal/soil-survey/soil-maps-and-databases/en/
propiedades de suelo http://www.fao.org/soils-portal/soil-survey/soil-maps-and-databases/harmonized-world-soil-
database-v12/zh/
ISRIC, en https://data.isric.org
Datos de geología OneGeology, en http://www.onegeology.org

global USNA, en https://www.usna.edu/Users/oceano/pguth/md_help/html/global_geology.htm
Compendio global de HydroATLAS, en https://www.hydrosheds.org/page/hydroatlas

variables
hidroambientales HydroSHEDS, en https://www.hydrosheds.org
En resumen, el modelamiento es una herramienta bastante útil para hacer estimaciones cuando una observación
directa no es posible; por ejemplo, en caso de predicciones o de evaluaciones ex ante. No obstante, la confiabilidad
y certeza de esos resultados dependerá de la cantidad y calidad de las observaciones disponibles. Las observaciones
son el punto de partida para entender la realidad del sistema que se va a modelar, escoger la complejidad del
modelo, configurarlo operativamente, así como calibrarlo y validarlo. Cuando no sea posible generar o recoger
datos primarios, se podrá buscar alternativas de información de fuentes externas en forma de datos secundarios.
Los datos secundarios son, de todas maneras, muy comunes y necesarios en varios tipos de modelos. En principio,
las estimaciones de un modelo siempre serán más inciertas que las observaciones directas, y la calidad de las
salidas del modelo dependerá de manera directa de la calidad y cantidad de los datos de entrada.


Foto: Will Espinoza
PASO 7. ESCENARIOS DE MODELACIÓN
Este paso busca describir cuál es la meta de la modelación, parametrización de los escenarios de evaluación, tanto
qué procesos hidrológicos estarán afectados y cómo como lo está con la cantidad y calidad de los datos de
serán representados en el modelo (“escenarios”). Es entrada. Por ejemplo, al reemplazar un suelo degradado
necesario recordar que “lo que sale del modelo es lo con capacidad de infiltración A por un suelo recuperado
que entra en el modelo” (frase equivalente a “si entra con capacidad de infiltración B, el modelo presentará
basura, sale basura”, o “garbage in, garbage out”). Este un cambio equivalente a la diferencia de B–A. El
concepto se relaciona con la calidad de la información desarrollo o selección de un escenario por evaluar es
o los productos que ingresan a un sistema: si la calidad tan clave como la selección del modelo. Para poder
de lo que ingresa no es buena, el resultado por lo general definir escenarios se requiere responder las preguntas:
tampoco es bueno. Es decir, una simulación estará ¿Cuál es el objetivo de la modelación? y ¿qué se quiere
directamente relacionada con los supuestos y la representar?
“Una simulación estará directamente relacionada

con los supuestos y la parametrización de los
escenarios de evaluación, tanto como lo está con la
cantidad y calidad de los datos de entrada”.

Varios conceptos se utilizan para la definición de La variable temporal y los supuestos del estado futuro
escenarios de modelación. El objetivo de esta definición son determinantes en esta conceptualización. No se
de escenarios es construir experimentos de modelación puede obviar que la realidad está sujeta también a
para la evaluación de resultados. Por ejemplo, si queremos condiciones no controladas y no solo al efecto de las
estimar los beneficios de una intervención sobre la intervenciones deliberadas. Es decir, a medida que
infraestructura natural, debemos recordar que esta avanza el tiempo, algunas zonas o elementos de la
infraestructura ya existe en la realidad. Esta preexistencia infraestructura natural que están actualmente bajo
determina que no podemos atribuir la totalidad de los procesos de degradación van a continuar dichos
servicios ecosistémicos producidos por ella, y los procesos a menos que se realicen acciones de
beneficios asociados, a las intervenciones implementadas. prevención, mitigación o remediación sobre ellos. De
Es necesario definir un diferencial que cuantifique cuál igual forma, la naturaleza tiene una capacidad
es el valor adicional de beneficios producto de nuestras regenerativa propia, y algunas zonas o elementos de
intervenciones. Una manera de conceptualizar estos la infraestr uctura natural estarán atravesando
efectos diferenciales se encuentra en la comparación procesos de regeneración. Sumados a estos procesos
de escenarios futuros posibles. Por ejemplo, si el enfoque naturales, los seres humanos interactúan día a día con
se pone en el valor de la conservación o protección de el paisaje, lo que genera también procesos de cambio
la infraestructura natural, la evaluación puede hacerse de uso de suelo que pueden afectar o beneficiar los
entre un escenario de conservación versus un escenario proyectos de intervención sobre la infraestructura
de degradación; si, más bien, el enfoque se pone en el natural considerados. Finalmente, existen cambios
valor de la recuperación o restauración de la ambientales, como aquellos producidos por el cambio
infraestructura natural, la evaluación puede hacerse climático, que pueden marcar un efecto considerable
entre un escenario de estado restaurado versus un entre las condiciones actuales y futuras y que pueden,
escenario de estado actual; y si el enfoque se pone en o no, ser considerados dentro del desarrollo de
la implementación de un proyecto (p. ej., infraestructura modelos de evaluación.
natural intervenida versus no intervenida, infraestructura
gris versus natural, o infraestructura gris y natural Tomando en cuenta estas consideraciones, varios
combinadas), la evaluación puede hacerse entre el escenarios pueden ser desarrollados para la evaluación
escenario con proyecto versus el escenario sin proyecto. de la infraestructura natural mediante la modelación.
Escenario BASE o actual
Es el estado actual de la zona de estudio, del cual se pueden derivar futuros potenciales con y sin intervenciones.
Este escenario constituye la “línea base” para la evaluación, tanto de los impactos positivos esperados de las
intervenciones, como de los impactos negativos potenciales de la ausencia de aquellas intervenciones (Figura
12). Para esta primera actividad, se debe recopilar la siguiente información:
• Información meteorológica e hidrológica de las • Caudales y puntos de trasvase desde la cuenca

áreas de interés durante los últimos años hacia afuera y desde afuera hacia la cuenca.
disponibles. • Series de tiempo o datos de concentraciones
• Datos biofísicos del ecosistema: topografía, promedio diarias, mensuales y anuales de
elevación, suelos, geología, vegetación, uso y parámetros de calidad de agua relevantes para el
cober tura de la tierra, entre otros. estudio. Los indicadores de calidad deben
• Series de tiempo o datos de caudal promedio responder a las necesidades y disponibilidad de
diario, mensual o anual en los puntos de interés información.
durante los últimos años disponibles. • Existencia de infraestructura hidráulica u otros
• Caudales y puntos que intencionalmente han sido elementos en el área de interés, que modifiquen
derivados, desviados o captados del cauce natural los servicios ecosistémicos prioritarios (reservorios
para diversos usos del agua. de almacenamiento, obras de control de
• Caudales y puntos de retorno a los cauces luego inundaciones, desarenadores u obras de control
de ser utilizados, en caso de que se conozcan estos de erosión, etc.).
puntos.

Escenario BASE
Uso de suelo actual 1
Punto de aforo
Red de ríos y quebradas
Delimitación de la cuenca
Figura 12. Representación conceptual del escenario base en una cuenca de análisis. Fuente: Elaboración propia.
Con esta información se determinan los valores iniciales del servicio ecosistémico hídrico de interés (SEHA), con
lo cual se genera la línea base en el tiempo T1, conceptualmente representada por el punto A en la Figura 13.
Servicio
Ecosistémico
Hídrico
A
SEHA
En el tiempo inicial T1, la
variable de cantidad o de
cantidad del servicio
ecosistémico hídrico
representa la línea base
sobre la cual evaluar los
cambios.
TI Tiempo
Figura 13. Situación inicial de la cantidad o calidad del servicio ecosistémico hídrico de interés en el punto de estudio. Fuente:
Ochoa–Tocachi et al. (2018b).

Escenario BAU (business as usual) o tendencial
Escenario resultante de un comportamiento “tendencial” de cambios antrópicos en el uso de suelo y mecanismos
naturales de degradación, sin intervenciones de conservación, protección o restauración de la infraestructura
natural. Permite determinar el impacto del actual patrón de desarrollo o “business as usual” (BAU, por sus
siglas en inglés) —por ejemplo, expansión de zonas urbanas, agrícolas, ganaderas— sobre los indicadores que
cuantifican al servicio ecosistémico de interés, en comparación con el escenario de estado actual (Figura 14).
Escenario BAU
Áreas degradadas
Punto de aforo
Figura 14. Representación conceptual del escenario tendencial o business as usual en una cuenca de análisis. Fuente:
En este escenario se proyectan las variables que determinan los servicios ecosistémicos de interés dentro de un
periodo de tiempo definido (p. ej., 40 años), utilizando la información biofísica e histórica recopilada anteriormente
por medio de una herramienta de análisis geográfico. Idealmente, se cuenta con un análisis multitemporal de los
cambios de cobertura de vegetación y uso de suelo en la zona de interés, que permita identificar las tasas de
cambio históricas y las ubicaciones más críticas para realizar proyecciones de cambio. Utilizando este escenario
en el modelo hidrológico, se podrá estimar la variación de los servicios ecosistémicos de interés, determinando
una función de cambio. Conceptualmente, la Figura 15 muestra una función de cambio con pendiente negativa
que teóricamente representa que, sin intervenciones sobre la infraestructura natural, el desempeño de los servicios
ecosistémicos hídricos disminuye en el tiempo (SEHB < SEHA), representado por el punto B al tiempo T2.
Servicio
Ecosistémico
Hídrico
A
SEHA
Mal desempeño
SEHB B
BAU: Business As Usual

Hipótesis: El desempeño de la variable
disminuye en el tiempo.
T1 T2 Tiempo
Figura 15. Escenario tendencial proyectado del servicio ecosistémico hídrico en el punto de estudio dentro del periodo
de tiempo definido para la evaluación. Fuente: Ochoa–Tocachi et al. (2018b).

Escenario PES (pesimista) o de degradación máxima potencial
El escenario “pesimista” representa el peor estado posible de degradación de la infraestructura natural y, en

consecuencia, de los servicios ecosistémicos hídricos prioritarios. De manera usual, este escenario se construye
simplemente con la consideración de que la totalidad de las áreas de importancia hídrica son degradadas, sobre
todo, por factores humanos, aunque también por cambios ambientales. Ejemplos de este tipo de escenario son
la quema de grandes extensiones de pastizales naturales y bosques, o el retroceso completo y desaparición de
los glaciares (Figura 16). En muchas ocasiones, se utiliza el escenario pesimista como el punto de comparación
de los beneficios de los proyectos de infraestructura natural, sobre todo porque es un escenario fácil de construir
y que no requiere muchas consideraciones. Sin embargo, hay que procurar no sobreestimar los beneficios de
los proyectos de infraestructura natural mediante la comparación con un escenario pesimista, debido a que es
posible que este escenario requiera de condiciones muy particulares para que suceda.
Escenario PES
Áreas degradadas
Punto de aforo
Figura 16. Representación conceptual del escenario pesimista en una cuenca de análisis. Fuente: Elaboración propia.
Conceptualmente, la Figura 17 representa que, en un escenario pesimista, el desempeño de los servicios

ecosistémicos hídricos cae en el tiempo hasta valores mínimos (SEHP < SEHB < SEHA), representado por el
punto P al tiempo T2.
Servicio
Ecosistémico
Hídrico
A
SEHA
Mal desempeño
SEHB B
Peor desempeño
SEHP
P
PES: Escenario Pesimista
Hipótesis: La degradación de la infraestructura
natural produce el peor desempeño de la
variable en el futuro.
T1 T2 Tiempo
Figura 17. Escenario pesimista de desempeño del servicio ecosistémico hídrico en el que el estado de la infraestructura
natural se encuentra totalmente degradado. Fuente: Ochoa–Tocachi et al. (2018b).

Escenario IN o de recuperación de la infraestructura natural
En este escenario se proyecta el desempeño de los servicios ecosistémicos resultantes de las intervenciones
sobre la infraestructura natural en un tiempo determinado, en especial sobre los puntos de interés enfocados
en el análisis. Con el uso de herramientas de análisis geográfico, como HIRO (Herramienta de Identificación
Rápida de Oportunidades: Román et al., 2020), se pueden identificar áreas prioritarias de retención de agua,
control de erosión o servicios ecosistémicos hídricos, con base en la información geoespacial disponible. Estas
áreas pueden ser enfocadas en el diseño de intervenciones sobre la infraestructura natural, tales como la
recuperación de humedales, la conservación de bosques, el control de la expansión de la frontera agrícola, y
otros cambios en el uso del suelo (Figura 18).
Escenario IN
Áreas intervenidas
Punto de aforo
Figura 18. Representación conceptual del escenario de recuperación de la infraestructura natural en una cuenca de
análisis. Fuente: Elaboración propia.
El modelo debe ser capaz de determinar si una intervención produce un impacto positivo o, por el contrario, un
impacto nulo o negativo. La hipótesis propuesta es que las intervenciones sobre la infraestructura natural generan
cambios positivos en la cantidad y calidad de los servicios ecosistémicos hídricos en el área de estudio (SEHR,
punto R, en la Figura 19), que resultan en desempeños por lo menos mejores que los de la situación proyectada
en el escenario BAU, incluso si no son tan buenos como los de la situación actual (SEHB < SEHR < SEHA en T2
Servicio
Ecosistémico IN: Escenario de Recuperación
Hídrico Hipótesis: El desempeño de la variable es al
menos mejor que en el escenario BAU.
SEHA
SEHR R
Mal desempeño
SEHB B
Peor desempeño
SEHP
P
TI T2 Tiempo
Figura 19. Escenario de recuperación de desempeño del servicio ecosistémico hídrico por intervenciones en la infraes-
tructura natural. Fuente: Ochoa–Tocachi et al. (2018b).

Escenario SEM (sustainable ecosystem management) u optimista
Las intervenciones sobre la infraestructura natural aplicadas a la escala potencial máxima generan el escenario
de “manejo sostenible de ecosistemas” (SEM, por sus siglas en inglés). Este escenario abarca el desarrollo de
actividades de protección, conservación, mantenimiento y recuperación de la infraestructura natural en las
fuentes hídricas —incluyendo proyectos de conservación de la biodiversidad, restauración ecológica y producción
sostenible—, con el objeto de incrementar la oferta de servicios ecosistémicos hídricos de interés; principalmente,
mayor cantidad y mejor calidad de agua (Figura 20).
Escenario SEM
Áreas intervenidas
Punto de aforo
Figura 20. Representación conceptual del escenario de recuperación de la infraestructura natural en una cuenca de
análisis. Fuente: Elaboración propia.
En comparación con el escenario IN, las intervenciones pueden hacer posibles por lo menos otros dos resultados:
i) uno en el que se revierte la tendencia de disminución de la cantidad o calidad del servicio ecosistémico, de forma
que se mantienen las características iniciales (SEHR = SEHA); y ii) otro en el que las intervenciones permiten incluso
superar los estándares de cantidad o calidad del momento inicial T1 (SEHS > SEHA, punto S en la Figura 21).
Servicio
Ecosistémico SEM: Sustainable Ecosystem Management
Hídrico Hipótesis: El desempeño de la variable es incluso
mejor que en las condiciones actuales.
S
SEHS
A
SEHA
SEHR
R
Mejor desempeño
SEHB B
Peor desempeño
SEHP
P
T1 T2 Tiempo
Figura 21. Escenario de manejo sostenible de ecosistemas, producto de intervenciones sobre la infraestructura natural.
Fuente: Ochoa–Tocachi et al. (2018b).

Al efectuar comparaciones entre los diferentes escenarios (Figura 22), los beneficios netos se calculan como
la diferencia entre los indicadores que cuantifican los servicios ecosistémicos producidos bajo los escenarios
simulados (Figura 21). Este enfoque da lugar al concepto de adicionalidad, que se define como los beneficios
adicionales que se generarían como resultado de un proyecto de implementación de intervenciones sobre la
infraestructura natural, que no hubiesen ocurrido en ausencia del proyecto.
Escenario BASE Escenario BAU Escenario PES Escenario IN Escenario SEM
Punto de aforo Delimitación de la cuenca Uso de suelo actual 2 Áreas degradadas
Red de ríos y quebradas Uso de suelo actual 1 Uso de suelo actual 3 Áreas intervenidas
Figura 22. Resumen conceptual de los tipos de escenarios sugeridos para la evaluación de los beneficios de la
infraestructura natural. Fuente: Elaboración propia.
Escenarios de cambio climático

Finalmente, las proyecciones a futuro involucran no solo cambios en las características biofísicas de la cuenca
o zona de estudio (suelos, vegetación, infraestructura, etc.), sino también cambios ambientales como el cambio
climático. Para analizar el cambio climático se consideran trayectorias de concentración representativa (RCP,
por sus siglas en inglés): una RCP es una trayectoria de concentración de gases de efecto invernadero adoptada
por el Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC). Para el Quinto informe de
evaluación del IPCC (2014) se utilizaron cuatro trayectorias para la modelización del clima, describiendo diferentes
futuros climáticos posibles que dependen del volumen de gases de efecto invernadero emitidos en los próximos
años. Las RCP 2.6, 4.5, 6.0 y 8.5 están etiquetadas a partir de un posible rango de valores de forzamiento
radiativo en el año 2100 (2.6, 4.5, 6.0 y 8.5 W/m2, respectivamente) (Figura 23).
Trayectorias de concentración representativa IPCC

RCP8.5
1200
CO2 - equivalente (ppm)
1000
800
RCP6.0
600
RCP4.5
400 RCP2.6
2000 2020 2040 2060 2080 2100
Figura 23. Concentraciones de CO2 equivalentes para distintos escenarios de emisión (en partes por millón) de acuerdo con
las cuatro RCP utilizadas por el Quinto informe de evaluación del IPCC para hacer modelos predictivos. Fuente: IPCC (2014).

Es necesario considerar que mientras más suposiciones se hagan con respecto al futuro, mayor será la
incertidumbre en las proyecciones. Por ello, se recomienda no combinar análisis de cambios de cobertura y
uso del suelo con análisis de cambio climático, debido a que las diferencias entre estos escenarios más complejos
podrían esconder los beneficios de las intervenciones sobre la infraestructura natural, debajo de la incertidumbre
con relación a los cambios en el clima. Esta incertidumbre podría subestimar o sobreestimar los beneficios
proyectados y oscurecer la identificación de evidencia de los beneficios esperados por las intervenciones. En
caso de que se deseen combinar varios tipos de suposiciones sobre cambios futuros, se debería optar por un
análisis de incertidumbre profunda (deep uncertainty analysis), lo cual puede incrementar en forma sustancial
los recursos necesarios, la capacidad técnica requerida y el tiempo de modelación (Brauman et al., 2021a). En
conclusión, la construcción de escenarios más complejos no significa necesariamente que se mejorará la evaluación
o que se obtendrán mejores resultados. Se recomienda desarrollar experimentos de simulación con escenarios
simples, para reflejar de la manera más limpia y clara los impactos esperados por las intervenciones evaluadas.
“La construcción de escenarios más

complejos no significa necesariamente que
se mejorará la evaluación o que se
obtendrán mejores resultados”.

Foto: Abel Carmona Arteaga

PASO 8. CALIBRACIÓN Y VALIDACIÓN DE MODELOS
Calibración manual y automática de parámetros

La calibración es un proceso de ensayo y error donde se prueba una configuración de parámetros del modelo y se
contrastan los resultados frente a una lista de datos observados y considerados como reales (Figura 24). Este proceso
consiste en tres pasos principales: 1) la definición de los parámetros de entrada; 2) la modelación con base en dichos
parámetros para generar resultados; y 3) el análisis de desempeño de los resultados (Pianosi et al., 2015, 2016).
Calibración PASOS
manual
1 2 … … M M: Número de
DEFINICIÓN parámetros
DE 1
PARÁMETROS X
T: Número de datos
simulados
1 2 … … T
1 MODELACIÓN
Y
Indicadores de
T: Número de datos desempeño (Nash-
observados Sutcliffe – NSE, Sesgo
porcentual – PBIAS,
1 2 … … T E Kling-Gupta KGE,
ANÁLISIS DE 1 1
etc.)
DESEMPEÑO Proceso iterativo

O
manual buscando el
conjunto de
parámetros que
ofrezcan el mejor
desempeño
Figura 24. Proceso de calibración manual de un modelo de simulación. Fuente: Ochoa–Tocachi et al. (2020a).

En una calibración manual se define un número M de cuantificada mediante indicadores de desempeño, tales
parámetros necesarios para el ingreso al modelo. Estos como la eficiencia de Nash–Sutcliffe o el sesgo
parámetros son aquellos susceptibles de modificación porcentual. Cuando existen varios criterios de
durante el ejercicio de calibración y cuya sensibilidad evaluación de desempeño, el ejercicio se convierte en
puede analizarse como se indica en la siguiente un “análisis de optimización múltiple” (multi–objective
subsección. Esta lista de parámetros se ingresa en el optimization). Si este desempeño no es satisfactorio, el
modelo, el cual genera a su vez un conjunto de resultados proceso se repite cambiando la definición de uno o
de longitud T (por ejemplo, T puede ser el número de varios de los parámetros y evaluando su desempeño
meses simulados o el número de datos generados). Este cada vez. Como puede evidenciarse, este proceso es
conjunto de resultados simulados se analiza para medir capaz de consumir mucho tiempo y esfuerzo y no
su desempeño frente a un conjunto de datos observados. concluir fácil y necesariamente con un conjunto óptimo
Idealmente, se cuenta con un dato observado por cada de parámetros. Para mejorar este proceso, se opta por
dato simulado para comparación. Esta comparación es una calibración automática.
“La calibración es un proceso de ensayo y error

donde se prueba una configuración de
parámetros del modelo y se contrastan los
resultados frente a una lista de datos observados
y considerados como reales”.
En una calibración automática, el proceso de muestreo produce no solo una combinación de parámetros, sino
cientos o miles de combinaciones únicas de parámetros. Este muestreo se genera siguiendo una estrategia
estadística formal —por ejemplo, Monte Carlo o muestreo hipercubo latino— y asumiendo una distribución
de probabilidad para cada parámetro. El resultado es una matriz X de dimensiones N x M, donde N es el
número de combinaciones individuales y M es el número de parámetros (Figura 25).
Calibración PASOS 1 2 … … M M: Número de
automática
parámetros
1
Estrategia de muestreo
(Monte Carlo, Latin
2
MUESTREO Hypercube Sampling, …
T: Número de datos AUTOMÁTICO etc.)
simulados … Mejor combinación
Distribución de
probabilidad (uniforme, N
1 2 … … T
normal, etc.) N: Número de
X
1 combinaciones
2
… MODELACIÓN
…
Indicadores de
N desempeño (Nash-
E
T: Número de datos Sutcliffe – NSE, Sesgo
Y observados porcentual – PBIAS,
Mejor simulación
N: Número de 1
simulaciones Kling-Gupta KGE,
1 2 … … T 2 etc.)
ANÁLISIS DE 1 …
DESEMPEÑO
O … Mejor desempeño
N
N: Número de
… combinaciones
Figura 25. Proceso de calibración automática de un modelo de simulación. Fuente: Ochoa–Tocachi et al. (2020a).

La matriz X de parámetros se ingresa en el modelo, el indicador de desempeño. Se obtiene una matriz E de
que genera no solo un conjunto de resultados, sino N dimensiones N x L, donde L es el número de indicadores
conjuntos de ellos, uno por cada combinación de analizados (en el ejemplo de la Figura 25, un solo
parámetros ingresada. El resultado de la modelación indicador). De esta lista de resultados de indicadores
es una matriz Y de dimensiones N x T, donde T es el se determina aquel que muestre el “mejor desempeño”.
número de datos generados (por ejemplo, el número Este desempeño estará ligado a la que se considera la
de meses simulados de caudal). Esta matriz Y de “mejor simulación”, que es el resultado de la “mejor
resultados simulados es analizada para medir el combinación” de parámetros. El proceso se puede
desempeño de cada línea frente al conjunto de datos realizar una sola vez o repetirse unas cuantas iteraciones
observados. para afinar los rangos de muestreo de parámetros. La
ventaja es que el proceso es N veces más eficiente
Asimismo, en lugar de obtener solo un resultado único que la calibración manual y puede arrojar resultados
en la evaluación, se generan N resultados por cada óptimos en una sola ejecución.
Muestreo automático de parámetros

Para aumentar la eficiencia del proceso de calibración de valores para los parámetros con mejor desempeño,
es necesario definir rangos dentro de los cuales se evitando que el afinamiento de rangos introduzca
espera que se encuentren los valores “óptimos” de sesgos en el ejercicio de modelación.
los parámetros. Si estos rangos son demasiado amplios,
el proceso pierde eficiencia porque debe considerar Para la generación de la matriz X se deben identificar
una multitud de posibilidades de valores de los los M parámetros que se van a muestrear y los rangos
parámetros que no son satisfactorios. Por otro lado, si máximo y mínimo de cada uno. El muestreo aleatorio
los rangos son muy limitados, se corre el riesgo de de un parámetro se realiza de forma automática, dada
dejar afuera aquella combinación que representa el una distribución de probabilidad dentro del rango de
“óptimo global” y de que los resultados de la calibración valores MÍN–MÁX en el que se realiza el muestreo.
desemboquen en algún “óptimo local”. Los óptimos La distribución de probabilidad del parámetro puede
locales son aquellas combinaciones de parámetros que ser normal, gamma, asimétrica, etc. Sin embargo, dado
tienen desempeños aceptables pero que podrían ser que no se conoce la distribución de probabilidad real
menores que los de otras combinaciones fuera de de cada parámetro —pues no se conoce el valor
rango. Por esta razón, el muestreo de parámetros debe óptimo—, por lo general se utiliza una distribución
lograr un un equilibrio entre la eficiencia en la búsqueda uniforme dentro del rango dado (Figura 26).
Probabilidad
Probabilidad acumulada (CDF)
l
l
l
Parámetro xi
l
l l l l l
l
MÍN MÁX Parámetro xi
Figura 26. Concepto de muestreo automático de parámetros. Cada círculo azul representa un valor aleatorio dentro
del rango MÍN–MÁX. La distribución de probabilidad mostrada es uniforme, es decir, cualquier valor dentro del rango
tiene igual probabilidad de ser seleccionado. Fuente: Ochoa–Tocachi et al. (2020a).

El siguiente paso es definir la estrategia de muestreo. Cuando existen múltiples parámetros, el muestreo aleatorio
automático debe producir combinaciones únicas de ellos para aprovechar al máximo la variabilidad total. Hay
varias estrategias de muestreo; las más comunes son el muestreo aleatorio simple o Monte Carlo y el muestreo
hipercubo latino (LHS, por sus siglas en inglés). Por ejemplo, la Figura 27 ilustra estas dos estrategias para dos
parámetros. El muestreo aleatorio simple produce combinaciones de parámetros sin considerar los valores
generados anteriormente. En este caso, no se necesita conocer el número de combinaciones objetivo (N) de
antemano, pero se corre el riesgo de repetir valores de un mismo parámetro sucesivamente (Figura 27).
Aleatorio simple: Muestreo LHS:
Parámetro 2
Parámetro 2
Parámetro 1 Parámetro 1
Sin consideración de Por lo menos hay una
valores anteriores. muestra de cada “fila”
y “columna” posible.
Figura 27. Comparación de estrategias de muestreo. Cada punto azul es una combinación de parámetros 1 y 2. Fuente:
Ochoa–Tocachi et al. (2020a).
Una buena estrategia es la del muestreo hipercubo analogía con un tablero de ajedrez, en donde existen
latino, la cual guarda en memoria los valores N torres ubicadas de manera que ninguna amenaza
muestreados anteriormente, a fin de no repetir o es amenazada por otra torre. Para tres parámetros
valores de parámetros. Para este caso se requiere (M=3), esta representación se puede realizar en tres
conocer de antemano el número de combinaciones dimensiones, utilizando un cubo. Para M>3 parámetros,
objetivo (N), de manera que se divide el espacio esto es conceptualmente similar, pero se vuelve difícil
paramétrico de cada parámetro proporcionalmente de representar en forma gráfica.
a su distribución de probabilidad. Por ejemplo, para
dos parámetros (M=2, Figura 27), esto equivale a La configuración generalmente recomendada para el
que cada combinación muestreada ocupe una muestreo automático de parámetros es la de una
columna (valor de parámetro 1) y una fila (valor de distribución de probabilidad uniforme, con una
parámetro 2) únicas, lo que puede ser puesto en estrategia de muestreo hipercubo latina.

Evaluación de desempeño
Existen varios indicadores que pueden servir para medir el desempeño de las simulaciones. Los indicadores
identificados aquí son funciones objetivo ampliamente usadas de los modelos hidrológicos (Moriasi et al., 2007;
Gupta et al., 2009):
Algunas preguntas guía, aquí, son:
• Eficiencia de Nash–Sutcliffe (NSE) (Tabla 14)
• Raíz del error cuadrático medio (RMSE) (Tabla 15)
• Relación entre RMSE y la desviación estándar (RSR) (Tabla 16)
• Sesgo porcentual (PBIAS) (Tabla 17)
• Eficiencia de Kling–Gupta (KGE) (Tabla 18)
• Combinación de varios indicadores (OF) (Tabla 19)
A continuación, detallamos cada uno.
Tabla 14. Eficiencia de Nash–Sutcliffe (NSE). Fuente: Ochoa–Tocachi et al. (2020a).
INDICADOR 1. EFICIENCIA DE NASH–SUTCLIFFE (NSE)
p
∑t=1 (Yt,obs –Yt,sim )
2
Fórmula
NSE=1–
∑t=1 (Yt,obs – μY,obs ) 2
p
NSE es una comparación entre la serie de tiempo y de datos observados Yt,obs y los datos simulados
Yt,sim. El numerador consiste en la suma de las diferencias elevadas al cuadrado entre cada dato
Explicación observado menos cada dato simulado. El denominador consiste en la suma de las diferencias elevadas
al cuadrado entre cada dato observado menos el promedio (μ) de los datos observados. Al resultante
de la división se le resta de 1.
El valor óptimo de NSE es 1 y el peor valor tiende a –inf. Es decir, un valor de NSE de 1 implica
un ajuste perfecto entre los datos observados y los datos simulados.
El valor de cero (0) sirve como indicador de cómo se comparan las simulaciones con el promedio
Interpretación
de los datos observados. Es decir, un valor de NSE de 0 implica que las simulaciones no son mejores
que si simplemente se hubiese tomado el promedio de los datos observados.
Un modelo hidrológico se considera satisfactorio si NSE > 0.50.
Referencia Nash & Sutcliffe (1970).

Tabla 15. Raíz del error cuadrático medio (RMSE). Fuente: Ochoa–Tocachi et al. (2020a).
INDICADOR 2. RAÍZ DEL ERROR CUADRÁTICO MEDIO (RMSE)
p
2
Fórmula RMSE=
P
RMSE estima el error entre la serie de tiempo Yt de datos observados Yt,obs y los datos simulados Yt,sim.
Explicación Se obtiene la suma de las diferencias elevadas al cuadrado entre cada dato observado menos cada dato
simulado. Esta suma se divide para el número de datos P y se obtiene la raíz cuadrada del resultante.
El valor óptimo de RMSE es 0 y el peor valor tiende a +inf. Es decir, un valor de RMSE de 0 implica
Interpretación Las unidades de RMSE son las mismas que las de la variable en cuestión.
No existe un umbral estándar, pero en general un modelo hidrológico se considera satisfactorio
mientras más pequeño sea RMSE.
Referencia Singh et al. (2004).
Tabla 16. Relación entre RMSE y la desviación estándar (RSR). Fuente: Ochoa–Tocachi et al. (2020a).
INDICADOR 3. RELACIÓN ENTRE RMSE Y LA DESVIACIÓN ESTÁNDAR (RSR)
p
2
Fórmula RMSE
RSR = =
∑t=1 (Yt,obs – μY,obs )
p 2
STDEVobs
RSR combina el RMSE con la desviación estándar de los datos observados. Esto permite normalizar
Explicación
el valor y otorgar rangos relativos que se pueden considerar satisfactorios.
El valor óptimo de RSR es 0 y el peor valor tiende a +inf. Es decir, un valor de RSR de 0 implica
Interpretación un ajuste perfecto entre los datos observados y los datos simulados.
Un modelo hidrológico se considera satisfactorio si RSR <= 0.70.
Referencia Singh et al. (2004).

Tabla 17. Sesgo porcentual (PBIAS). Fuente: Ochoa–Tocachi et al. (2020a).
INDICADOR 4. SESGO PORCENTUAL (PBIAS)
p
∑t=1 (Yt,obs –Yt,sim ) * 100
Fórmula PBIAS = p
∑ (Yt,obs)
t=1
PBIAS mide la tendencia promedio de los datos simulados Yt,sim de ser relativamente mayores o
menores que los datos observados Yt,obs respectivos. Se obtiene de la suma de las diferencias entre
Explicación
los datos observados y los datos simulados multiplicada por 100 (para convertirlos en porcentaje) y
dividida para la suma de los datos observados.
El valor óptimo de PBIAS es 0 y los peores valores tienden a ambas direcciones –inf y +inf. Es decir,
un valor de PBIAS de 0 implica un ajuste perfecto entre los datos observados y los datos simulados.
Valores positivos de PBIAS indican sesgo de subestimación del modelo.Valores negativos de PBIAS
Interpretación indican sesgo de sobreestimación del modelo.
Un modelo hidrológico se considera satisfactorio si PBIAS <= ±25 % para simulación de caudal,
±55 % para simulación de sedimentos, y ±70 % para simulación de calidad de agua, como nutrientes
(nitrógeno, fósforo).
Referencia Gupta et al. (1999)..
Tabla 18. Eficiencia de Kling–Gupta (KGE). Fuente: Ochoa–Tocachi et al. (2020a).
INDICADOR 5. EFICIENCIA DE KLING–GUPTA (KGE)
Fórmula KGE=1– (r-1)2+ ( σY,sim

σY,obs ) (2
-1 +
μY,sim
μY,obs )
-1
2
KGE fue conceptualizado como una mejora de NSE. Al deconstruir NSE se obtienen tres elementos
correspondientes a la correlación lineal (coeficiente de Pearson r), la relación entre desviaciones
Explicación
estándar (σ) y la relación entre las medias (μ). A cada componente se le resta 1 y se eleva al cuadrado.
Se obtiene la raíz de las sumas de dichas diferencias. Al resultante de la división se le resta de 1.
El valor óptimo de KGE es 1 y el peor valor tiende a –inf. Es decir, un valor de KGE de 1 implica
El valor de 0 sirve como indicador de cómo se comparan las simulaciones con el promedio de los
Interpretación
datos observados. Es decir, un valor de KGE de 0 implica que las simulaciones no son mejores que
si simplemente se hubiese tomado el promedio de los datos observados.
Un modelo hidrológico se considera satisfactorio si KGE > 0.50.
Referencia Gupta et al. (2009).

Tabla 19. Combinación de varios indicadores (OF). Fuente: Ochoa–Tocachi et al. (2020a).
INDICADOR 6. COMBINACIÓN DE VARIOS INDICADORES (OF)
OF= Indnorm2 + Indnorm2 + ... + Indnorm2

1 2 n
Fórmula Donde:
Indi – min(Indi)
Indnorm2 =
i max(Indi) – min(Indi)
Al tener varios indicadores de desempeño no es fácil elegir cuál es la mejor simulación necesariamente.
En ocasiones, una simulación desempeña muy bien para un indicador, mientras que puede desempeñar
mal para otro indicador. En ese caso se puede combinar el resultado de los diferentes indicadores
en uno solo con la fórmula indicada. Para el caso de NSE y de KGE, cuyos óptimos están en 1, se
Explicación
utilizaría (1–NSE) y (1–KGE). Para PBIAS, que puede ser positivo o negativo, se utiliza el valor absoluto
abs(PBIAS). Para los indicadores que tienen óptimos en cero (RMSE, RSR) se utiliza el indicador
directamente. Antes de combinar los indicadores es necesario normalizarlos para que su magnitud
diferente no genere mayor peso de uno o de otro.
El valor óptimo de dicha combinación es 0 y el peor valor tiende a +inf. Es decir, un valor de OF
Interpretación de 0 implica que un mismo set de parámetros es el mejor para todos los indicadores de desempeño.
La mejor simulación es aquella que presenta el menor OF.
Referencia Ochoa–Tocachi et al. (2019c).
Simulaciones aceptables son aquellas que cumplen con los límites referidos para cada indicador (Tabla 20).
Según Moriasi et al. (2007), en general, un modelo de simulación puede juzgarse como satisfactorio si NSE >
0.50 y RSR < 0.70, y si PBIAS < ±25 % para modelación de caudal, PBIAS < ±55 % para modelación de
sedimentos, y PBIAS < ±70% para modelación de calidad de agua, como nitrógeno y fósforo. Adicionalmente,
se puede considerar satisfactorio si KGE > 0.50, por su similitud con NSE.
Se pueden tener varias combinaciones de parámetros que cumplen con los criterios de aceptabilidad y cualquiera
de estas combinaciones de parámetros puede ser usada (principio de “equifinalidad”, Beven, 2000). Si se utiliza
un conjunto de resultados, en lugar de solamente un resultado único, es posible obtener intervalos de confianza/
incertidumbre. En caso de que se requiera una única combinación de parámetros, la mejor simulación es aquella
con el menor valor de OF (Ochoa–Tocachi et al., 2019c).

Tabla 20. Criterios de aceptabilidad de simulaciones basadas en su desempeño. Los indicadores de desempeño se
calculan para cada una de las N combinaciones de parámetros. Fuente: Moriasi et al. (2007); Gupta et al. (2009);
Ochoa–Tocachi et al. (2020a).
E NSE RMSE RSR PBIAS KGE OF Interpretación
1 < 0.00 alto > 1.00 > ±50% < 0.00 alto pésima
2 < 0.50 medio > 0.70 > ±25% < 0.50 medio inaceptable
3 > 0.50 bajo < 0.70 < ±25% > 0.50 bajo aceptable
4 ~1 ~0 ~0 ~0 ~1 ~0 mejor simulación
… … … … … … …
N … … … … … …

Validación
Finalmente, si bien la calibración del modelo es un proceso de ajuste sistemático de los valores de sus parámetros,
la validación del modelo se emplea para evaluar la confianza de los resultados, es decir, el rendimiento del modelo
calibrado. Por lo general, el modelo se valida dentro de un periodo diferente al utilizado en calibración (Vaze et
al., 2011). Por ejemplo, para la calibración y validación de un modelo de caudal se utiliza generalmente la estación
hidrológica de menor cota o localizada al cierre de la cuenca modelada.
De acuerdo con recomendaciones de Klemeš (1986), la separación del periodo de datos diarios disponible para el
estudio (serie de datos pequeña) corresponderá al 60 % para calibración y al 40 % para validación, independientemente
de la serie de caudal que se use (Figura 28). Es importante que la serie temporal muestre la existencia de un periodo
húmedo y un periodo seco. Al inicio de la ejecución del modelo, se descarta un periodo de calentamiento (“warm
up”). Luego de este periodo, las variables de salida del modelo se vuelven independientes o atenúan su efecto en
razón de las condiciones iniciales asumidas (Mazzilli, Guinot, & Jourde, 2012).
Variable Periodo de calibración Periodo de validación

60% 40%
Tiempo
~5% Datos observados ~5%
warm up Datos simulados warm up
Figura 28. División de la serie de tiempo en periodos de calibración y validación y periodos de calentamiento (warm
up). Fuente: Elaboración propia.
Es importante insistir en la necesidad de calibrar y validar los modelos hidrológicos durante las aplicaciones de diseño
y evaluación de proyectos. Si los modelos no están calibrados, es posible que los resultados obtenidos no sean realistas
y, más bien, la información producida genere confusiones y malas recomendaciones en el proceso de toma de
decisiones. Es común encontrarse con situaciones en las que no existen datos suficientes o de buena calidad para
proceder con un ejercicio de calibración y validación. Sin embargo, aun con datos escasos, puntuales o débiles es
posible mejorar en forma sustancial las simulaciones obtenidas con los modelos hidrológicos (Winsemius et al., 2009).
Incluso en aquellas situaciones en las que no existen datos por completo, se puede calibrar un modelo hidrológico
en otra zona geográfica, idealmente cercana, que presente condiciones lo más parecidas posible al lugar que se desea
modelar. Esta opción deberá ser tomada en cuenta para aquellas situaciones más desafiantes. Es preciso considerar,
además, que varios de los escenarios de modelación son escenarios hipotéticos. Es decir, la calibración y la validación
solo pueden realizarse sobre el escenario base, que refleja las condiciones históricas y es la contraparte real de los
datos observados. Es necesario no confundir la utilización de escenarios hipotéticos durante el ejercicio de calibración
y validación para evitar sesgos y errores en el proceso de modelación hidrológica.

Foto: Michell Leon
PASO 9a. ANÁLISIS DE SENSIBILIDAD
Análisis de sensibilidad manual y automático

Un análisis de sensibilidad es un proceso en el que se evalúa cómo cambian las salidas de un modelo ante variaciones
en las entradas. Esta facilidad de cambio se conoce como “sensibilidad”. Un método tradicional es el de efectuar
variaciones (±5 %, ±10 %, ±20 %, etc.) a un parámetro en particular y observar cómo cambian los resultados frente
a aquellas sin que se modifiquen los otros parámetros (Figura 29). Pero este método es muy “costoso”
computacionalmente —donde las variaciones están definidas de manera discreta— y por lo general debe ser realizado
en forma manual.
100%
I
Variación
0
l
l
-100%
l
l
l l l
x1 x2 x3 xi
Figura 29. Análisis de sensibilidad manual de un modelo de simulación. Fuente: Ochoa–Tocachi (2020).
Siguiendo el esquema de modelación automática planteado (Figura 25), el proceso de análisis de sensibilidad se
efectúa con los resultados de las simulaciones del modelo (etapa 3); es decir, reemplazamos el proceso de análisis
de desempeño por un proceso de análisis de sensibilidad (Figura 28).

La matriz Y de resultados simulados es ingresada para en las salidas del modelo. El proceso se puede efectuar
evaluar cómo varía el desempeño de cada línea de una sola vez o, si no, repetir varias iteraciones para obtener
simulación frente al conjunto de datos observados, o para intervalos de confianza o rangos para los indicadores de
observar cómo las variaciones (o las restricciones) en los sensibilidad y así estar seguros de nuestra confianza en
parámetros de X influyen en las salidas del modelo. Del los resultados de cuán sensibles o influyentes son estos.
mismo modo, en lugar de analizar uno a uno los resultados De igual manera que con la calibración automática, la
producto de cada variación de parámetro, se analizan los ventaja reside en que el proceso de análisis de sensibilidad
N resultados juntos, de manera que se obtiene un vector automática es N veces más eficiente que el análisis manual
S de dimensiones 1 x M, donde M es el número de y puede arrojar resultados óptimos en una sola ejecución.
parámetros analizados y S contiene los “indicadores de Además, hace uso de los mismos datos (matrices de
sensibilidad” para cada parámetro. Estos indicadores parámetros y simulaciones) que se utilizan en la calibración
muestran: a) para qué parámetros el modelo es “más automática, por lo que este proceso garantiza continuidad
sensible”; o b) qué parámetros son los “más influyentes” y consistencia durante un proceso de modelación.
Análisis
Análisis de
de PASOS 1 2 … … M M: Número de
sensibilidad
parámetros
1
automático
automático
(Monte Carlo, Latin
2
simulados …
Distribución de
1 2 … … T
X
1 combinaciones
2
… MODELACIÓN
…
N
E M: Número de
Y N: Número de parámetros
1
simulaciones
2 1 2 … … M
ANÁLISIS DE Indicadores de
… ! " ~ 1 sensibilidad
SENSIBILIDAD (MVD, PAWN)
… S
N
N: Número de
… combinaciones
Figura 30. Análisis de sensibilidad automática de un modelo de simulación. Fuente: Ochoa–Tocachi et al. (2020b).
“Un análisis de sensibilidad es un proceso en el

que se evalúa cómo cambian las salidas de un
modelo ante variaciones en las entradas”.
Hay varios métodos de análisis de sensibilidad. En este documento nos enfocamos en dos métodos complementarios:
análisis de sensibilidad regional (RSA: Sieber & Uhlenbrook, 2005; Spear & Hornberger, 1980) y análisis de sensibilidad
basada en distribución de salida (PAWN: Pianosi & Wagener, 2015, 2018).

RSA: Análisis de sensibilidad regional
El método de análisis de sensibilidad regional (RSA) en un indicador de desempeño (puntos azules en la
busca identificar la influencia de los parámetros sobre el Figura 31). Para evaluar el desempeño de un modelo,
desempeño del modelo. Como se indicó antes, en la etapa generalmente utilizamos umbrales que determinan
1 del esquema de modelamiento, el muestreo aleatorio cuándo una simulación es aceptable (“cumple” el umbral)
de un parámetro se realiza dentro de un rango de valores o no aceptable (“no cumple” el umbral) (Tabla 20). El
MÍN–MÁX, con una distribución de probabilidad por lo conjunto inicial de parámetros es dividido entre estos dos
general uniforme. Esto equivale a una línea 1:1 en el gráfico grupos, dependiendo de cómo cada una de las filas de la
de probabilidad (Figura 26). Estos diferentes N valores matriz E de desempeño es mejor o peor que dicho
de un parámetro producen resultados mejores o peores umbral (puntos rojos en la Figura 31).
Ei,j<umbral(j)
Parámetro xi
Probabilidad acumulada (CDF)

_ cumple
_ no cumple
Desempeño
Umbral
MVD
distancia vertical
máxima
Parámetro xi Parámetro xi
Figura 31. Concepto del análisis de sensibilidad regional (RSA). Fuente: Ochoa–Tocachi et al. (2020b).
Asimismo, estos dos subconjuntos de parámetros tienen distribuciones de probabilidad propias, y eso lo evidenciamos
a través de las curvas de probabilidad acumulada (curvas CDF, Figura 31). El método evalúa las diferencias entre las
CDF de los parámetros que “cumplen” versus los que “no cumplen” el umbral de desempeño. Si las CDF se diferencian
en forma considerable, entonces decimos que “el desempeño del modelo es sensible al parámetro”. Para medir esto
de manera objetiva se utiliza una medida cuantitativa; por ejemplo, el índice Kolmogorov–Smirnov (Kolmogorov, 1933;
Smirnov, 1939), que determina la distancia vertical máxima (MVD por sus siglas en inglés) entre las dos curvas CDF.
MVD(xi)=max|CDFxi|Ycumple (xi) – CDF xi|Yno_cumple (xi)|

xi

Se realiza este ejercicio para cada parámetro xi, lo que combinaciones de parámetros que son usados
refleja qué tan sensible es el desempeño del modelo al iterativamente en los cálculos de los indicadores. Si
parámetro. Se repite el ejercicio usando remuestreo o durante cada recálculo el indicador, efectivamente, varía
bootstrapping (Efron, 1979; Efron & Tibshirani, 1993). su valor, entonces se genera un rango de incertidumbre
Bootstrapping es un método que aproxima la alrededor de ese indicador. Por lo general, esto se realiza
incertidumbre en el cálculo de la matriz S de indicadores para proveer indicadores con un intervalo de confianza
de sensibilidad, valiéndose de subgr upos de del 95 % (Figura 32).
MVD es una medida absoluta; es decir, tiene un valor con significado per se, independientemente de las
unidades de la matriz X (parámetros) o de E (función objetivo de desempeño, como NSE, PBIAS, etc.). Por
definición, MVD está en un rango entre 0 y 1 (Figura 32):
• Mientras más alto el indicador MVD de un parámetro, más alta la sensibilidad del modelo para ese
parámetro;
• Si MVD es igual a 0, el modelo no es sensible al parámetro; es decir, las dos curvas CDF (entre los
parámetros que cumplen y los que no cumplen) son exactamente iguales;
• Si MVD es igual a 1, el modelo es muy sensible al parámetro; las dos curvas CDF son “mutuamente
excluyentes” (el mismo valor de un parámetro tiene una probabilidad de 0 en una CDF y de 1 en la otra).
Si no se determinan valores que se diferencien por el umbral, se debe cambiar el umbral (Figura 32).
l
l
l
Desempeño
Desempeño
Desempeño
Desempeño
l
l
l
l
l l l l l l l l l l l l l l l l
l
l
l
l
l
l
l
l
l l l l
Parámetro x1 Parámetro x2 Parámetro x3 Parámetro xi
l acumulada
l acumulada
l acumulada
l acumulada
– cumple – cumple – cumple – cumple

l
– no cumple – no cumple – no cumple – no cumple

Probabilidad
Probabilidad
Probabilidad
Probabilidad
l
l
l
l
l
l
l
l
l
l l l l
Parámetro x1 Parámetro x2 Parámetro x3 Parámetro xi
1
I
l
?
MVD
95% confianza
l
l
0
l l l l
l
x1 x2 x3 xi
Figura 32. Ejemplos de resultados de indicadores de sensibilidad MVD, producto del análisis de sensibilidad regional.
Fuente: Ochoa–Tocachi et al. (2020b).
Es necesario considerar que no siempre es posible contar con un indicador de desempeño (“cumple” y “no cumple”)
para proceder a un análisis de sensibilidad con base en desempeño; por ejemplo, cuando no existen observaciones
contra las cuales validar el modelo. En estos casos solo se requiere saber qué parámetros influyen en el resultado del
modelo, independientemente de si dichos resultados son buenos o malos. Otra consideración es que el RSA produce
un análisis entre resultados que “cumplen” y “no cumplen”, producto de la interacción de todos los parámetros juntos
en la combinación. Sin embargo, en ocasiones se requiere saber simplemente la influencia de modificar un parámetro
en específico o la de no modificar un parámetro en específico. Una alternativa para ello es el método PAWN.

PAWN: Sensibilidad basada en distribución de salida
El método PAWN (Pianosi & Wagener, 2015, 2018) divide de los M parámetros, de manera que la distribución de
en grupos las salidas resultado de las N combinaciones probabilidad acumulada (CDF) de las salidas del modelo
de parámetros: incondicional (puntos rojos en la Figura se asemeje lo más posible a la distribución de probabilidad
33) y condicionales (subconjuntos grises en la Figura 33) acumulada (CDF) total. Nótese que en este método
a un parámetro xi analizado. El subconjunto “incondicional” hablamos de la distribución de probabilidad de la salida
es un submuestreo de la matriz original X que busca del modelo (Figura 33) y no de la de los parámetros de
mantener al máximo la variabilidad en las combinaciones entrada, como es el caso del método RSA.
l
l
l
l
Salida
Salida
Salida
l
l
l
l
l l l l l l l l l l l l l l l
l
l
Parámetro xi Parámetro xi Parámetro xi
Probabilidad acumulada
l
l
Parámetro xj
l
l
l
l
l
l
l l l l l l l l l l
l
l
Parámetro x Salida
Figura 33. Concepto del análisis de sensibilidad basada en distribución de salida (PAWN). Fuente: Ochoa–Tocachi et al. (2020b).
Luego de remover el subconjunto “incondicional”, las combinaciones restantes son divididas en grupos “condicionales”
al parámetro xi analizado. Estos grupos representan lo que sucedería si se conociera el valor de un parámetro en
específico y se lo “fijase” en ese valor conocido, o también representan el efecto de reducir el rango de muestreo
del parámetro a un tamaño mucho más estrecho. Estos subconjuntos condicionales se obtienen solo para el
parámetro xi analizado, mientras que se deja que los otros M-1 parámetros varíen libremente dentro de sus rangos
posibles (Figura 33). Es decir, se “elimina la incertidumbre” alrededor del parámetro xi para observar cómo
cambian las salidas del modelo sin dicha incertidumbre.
Luego se determinan las distribuciones de probabilidad de las salidas del modelo, resultado de los grupos incondicional
y condicionales de xi (Figura 33). Asimismo, para cuantificar usamos la distancia vertical máxima (índice Kolmogorov–
Smirnov) entre la curva CDF incondicional y las curvas CDF condicionales.
KS(xi) = max|CDFy(y) – CDFy|xi(y)|

y
Finalmente, esto resulta en un conjunto de valores de KS igual al número de subgrupos condicionales generados
(por ejemplo, n=10). Pianosi & Wagener (2015, 2018) recomiendan usar una estadística (p. ej., mediana o máximo)
de este conjunto de KS sobre todos los posibles valores obtenidos al condicionar xi para derivar el indicador se
sensibilidad PAWN.
PAWN(xi) = stat[KS(xi)]
xi

Por definición, PAWN está en un rango entre 0 y 1 (Figura 34):
• Mientras más alto el indicador PAWN de un parámetro, más alta es la influencia de ese parámetro
para el modelo;
• Si PAWN es igual a 0, entonces el parámetro no tiene influencia en la salida del modelo.
El impacto de los errores en las aproximaciones numéricas se estima usando un parámetro “dummy”
que, en principio, no debe afectar la variabilidad de la salida del modelo. El valor de sensibilidad PAWN
para el parámetro dummy se utiliza para dar contexto al resto (Figura 34):
• si PAWN para un parámetro xi es mucho mayor que el PAWN dummy, entonces el parámetro es
“influyente”;
• si PAWN para un parámetro xi es igual o incluso menor que el PAWN dummy, entonces el parámetro
es “no influyente”.
l
l
Salidal
Salidal
Salidal
Salidal
l
l
l
l
l
l
l
l
l
l
l l l l
Parámetro x1 Parámetro x2 Parámetro x3 Parámetro “dummy”
acumulada
acumulada
acumulada
acumulada
– incondicional
l
l
l
l
– condicionales
l
l
l
l
Probabilidad
Probabilidad
Probabilidad
Probabilidad
l
l
l
l
l
l
l
l
l
l
l
l l l l
Salida | x1 Salida | x2 Salida | x3 Salida | dummy
1
I
l
PAWN
95% confianza
l
l
0
l
l l l l
x1 x2 x3 dummy
Figura 34. Ejemplos de resultados de indicadores de sensibilidad PAWN, producto del análisis de sensibilidad basada
en distribución de salida. Fuente: Ochoa–Tocachi et al. (2020b).
Asimismo, se repite este ejercicio para cada parámetro xi, lo que refleja qué tan influyente es el parámetro xi en
la salida evaluada del modelo. Se repite el ejercicio usando bootstrapping para proveer indicadores con un intervalo
de confianza, usualmente, del 95 % (Figura 34).

Diferencias entre los métodos RSA y PAWN
Ambos métodos, RSA y PAWN, usan CDF para el análisis de sensibilidad, pero de manera diferente (Tabla 21).
Tabla 21. Diferencias entre los métodos de análisis de sensibilidad RSA y PAWN. Fuente: Ochoa–Tocachi (2020).
RSA PAWN
RSA determina qué tan sensible es el desempeño del modelo PAWN determina qué tan influyente es un parámetro sobre
para un parámetro xi. las salidas resultantes del modelo.
RSA se enfoca en cómo cambian las distribuciones de PAWN se enfoca en cómo cambia la distribución de
probabilidad de un parámetro xi de entrada mientras varía probabilidad de la salida del modelo mientras se condiciona
la salida del modelo (“cumple” o “no cumple”). un parámetro xi de entrada (al remover la incertidumbre
alrededor del parámetro).
Ei,j <umbral(j)
RSA cuantifica diferencias en los CDF de las entradas del PAWN cuantifica diferencias en los CDF de las salidas del modelo
modelo (parámetros del modelo), usando la ecuación: (variable de salida o función objetivo), usando la ecuación:
MVD(xi)=max|CDFxi|Ycumple (xi) – CDF xi|Yno_cumple (xi)| KS(xi) = max|CDFy(y) – CDFy|xi(y)|

xi y
Y el indicador de sensibilidad PAWN se obtiene de una
estadística (p. ej., máximo, mediana, mínimo) sobre todos
los valores obtenidos de KS para el parámetro xi.
PAWN(xi )=STAT[KS(xi )]
xi
RSA requiere de indicadores de desempeño para determinar PAWN no requiere de indicadores de desempeño, sino que
subconjuntos de combinaciones de parámetros que “cumplen” divide las combinaciones de parámetros en subconjuntos
o “no cumplen” un criterio de desempeño. “incondicionales” y “condicionales” a un parámetro xi.
RSA permite diferenciar entre aquellos parámetros que PAWN no permite diferenciar qué combinaciones de
efectivamente producen buenas simulaciones, con el fin de parámetros producen buenos o malos resultados. Lo que
obtener combinaciones de parámetros que son aceptables permite es identificar qué parámetros son los más influyentes
en un proceso de calibración. para poner más énfasis en determinar o en medir sus valores
óptimos en un proceso de calibración.

Utilidad del análisis de sensibilidad
Un análisis de sensibilidad puede servir como una está sucediendo en los cálculos del balance hídrico y
herramienta de toma de decisiones para pronosticar el que pudiera producir un resultado contrario.
éxito o fracaso de alternativas de proyectos de
infraestructura natural de manera transparente y eficiente. Del mismo modo, un análisis de sensibilidad hace posible
Al estudiar cómo las diferentes variables influyen en los identificar si un modelo es la mejor herramienta para el
posibles resultados, se pueden tomar mejores decisiones ejercicio en cuestión. Si una intervención sobre la
respecto a qué alternativas de proyecto son más infraestructura natural modifica ciertas características
beneficiosas (o menos perjudiciales) para la infraestructura del paisaje que son conocidas, el modelo debe ser capaz
natural y los servicios ecosistémicos producidos.Asimismo, de representar esos cambios. Si los resultados del
el análisis de sensibilidad posibilita multiplicar los resultados modelo no son sensibles a los cambios en los parámetros
de los escenarios modelados, de manera que se pueden que representan esas características, es prudente
considerar subescenarios producto de las variaciones considerar otros modelos en los cuales esa sensibilidad
individuales y grupales de los parámetros del modelo sea mayor. Esto no con el fin de maximizar las diferencias
para cada uno de los escenarios de modelación. De modo debidas a los cambios producidos por las intervenciones,
complementario, el análisis de sensibilidad permite sino con la finalidad de utilizar un modelo que sea capaz
identificar los pros y contras de diferentes alternativas, así de vincular, de manera robusta y basada en evidencia,
como efectuar prospecciones tempranas de los resultados los cambios producidos por las intervenciones con los
esperados por las intervenciones. Esto es particularmente servicios ecosistémicos priorizados.
útil para definir metas más realistas para los indicadores
de éxito o fracaso de los proyectos, basadas en escenarios Finalmente, los análisis de sensibilidad permiten optimizar
extremos de modelación para las intervenciones de la asignación de recursos, sea en modelación o en
infraestructura natural. generación de información en campo. Si existen
parámetros que son muy influentes en los resultados del
Los análisis de sensibilidad también permiten identificar modelo, es prudente enfocar los esfuerzos de calibración
errores y problemas en el proceso de modelación en y validación en esos parámetros, de manera que se
sí mismo. Si un modelo produce resultados puedan obtener las mejores estimaciones de valores
contraintuitivos debido a cambios en un parámetro, es realistas para el ejercicio de modelación. De forma similar,
posible que las ecuaciones del modelo, su estructura o no se recomienda invertir demasiado tiempo y recursos
su base conceptual o perceptual estén erradas. Por en la calibración de parámetros a los que el modelo no
ejemplo, la capacidad de infiltración y de almacenamiento es sensible. Más aún, si aquellos parámetros a los que el
de agua en el suelo es un factor importante para la modelo es sensible son muy relevantes para el ejercicio
regulación hidrológica; si se alteran parámetros en el de modelación de infraestructura natural, es recomendable
modelo que representan dichas propiedades, se esperan invertir esfuerzos en la generación de datos observados
resultados basados en este entendimiento conceptual. en campo de esos parámetros particulares, de manera
Un aumento en la capacidad de infiltración y en el que el modelo hidrológico pueda ser informado con estos
almacenamiento del suelo debería producir una datos para mejorar los resultados. De este modo, el
reducción en los caudales de crecida y un aumento en análisis de sensibilidad se vuelve una herramienta útil para
los caudales base. Si no es así, es prudente revisar qué mejorar los esfuerzos de monitoreo in situ.

Un análisis de sensibilidad puede ser utilizado como:
• Una herramienta de toma de decisiones. El análisis de sensibilidad produce pronósticos respaldados

por datos de diferentes escenarios o subescenarios de modelación generados por los diferentes
valores asignados a las variables y datos de entrada al modelo.
• Una herramienta de prospección. El análisis de sensibilidad puede ayudar a ajustar metas hidrológicas
realistas para definir expectativas confiables producto de las intervenciones en los indicadores de
resultados propuestos.
• Una herramienta de identificación de errores. Con el análisis de sensibilidad se puede identificar

si un modelo genera resultados contraintuitivos a la teoría o expectativa hidrológica, estudiando los
efectos que tienen las variaciones de los parámetros en las tendencias esperadas de los resultados
obtenidos.
• Una herramienta de control de calidad. Un análisis de sensibilidad permite también conocer si

el modelo hidrológico utilizado es de veras capaz de captar y representar los impactos de las
intervenciones sobre los indicadores esperados. Si un modelo no es sensible a las características
importantes, puede no ser tan útil.
• Una herramienta de optimización de recursos. El análisis de sensibilidad posibilita identificar los

parámetros y datos que tienen mayor influencia o impacto sobre los resultados. Esto permite enfocar
los esfuerzos de calibración, validación, e incluso de generación de datos observados en campo, en
estos parámetros más influyentes.

Foto: Carlos Palacios Núñez

Foto: Carlos Palacios
PASO 9B. ANÁLISIS DE INCERTIDUMBRE
Un análisis de incertidumbre investiga el efecto de los errores en las variables relevantes para los problemas de
toma de decisiones. En otras palabras, un análisis de incertidumbre apunta a hacer una contribución técnica a la
toma de decisiones a través de la cuantificación de los errores en las variables relevantes. La “incertidumbre” se
refiere a anomalías o errores producto de información imperfecta o desconocida. Se aplica a las predicciones de
eventos, a las mediciones físicas que ya se han realizado o a lo desconocido. La incertidumbre también está asociada
a los errores de aproximación o errores numéricos en el cálculo de las ecuaciones del modelo, en comparación
con los valores reales o teóricos esperados.
“Un análisis de incertidumbre apunta a

hacer una contribución técnica a la toma
de decisiones a través de la cuantificación
de los errores en las variables relevantes”.
Debido a varias fuentes de incertidumbre, no es posible rango de supuestos que implica una gama de potenciales
determinar de forma ciento por ciento exacta cuál será futuros. De esta forma, se puede determinar una función
el resultado absoluto de las características de cantidad y de probabilidad asimilando estas posibles realizaciones
calidad de los servicios ecosistémicos hídricos producidas (Figura 35), de la que se puede estimar cuál es el
por las intervenciones sobre la infraestructura natural resultado más probable y cuál es el rango de variabilidad
bajo los escenarios futuros (tiempo T2 en la Figura 35). determinado con cierto nivel de confianza, usualmente
El modelo hidrológico debe ser capaz de procesar la del 90 % o del 95 %. Este nivel de confianza está
incertidumbre de varias fuentes –desde la información determinado por la probabilidad de que el valor estimado
de entrada– debido a la estructura misma del modelo de la variable analizada se encuentre dentro de un rango
–y a la variabilidad natural de la cuenca– para generar un determinado o “intervalo de confianza”.

Servicio
Ecosistémico Debido a varias causas (p.e.j., datos disponibles,
Hídrico variabilidad natural, estructura del modelo), los
resultados presentan ciertos rangos de
incertidumbre.
A
SEHA
Desempeño
proyectado
Intervalo de
confianza
P
SEHP
T1 T2 Tiempo
Figura 35. Incertidumbre en las proyecciones de desempeño del servicio ecosistémico hídrico en el futuro. Fuente:
Ochoa–Tocachi et al. (2018b).
Se debe aclarar que la incertidumbre no es algo exclusivo como una herramienta útil pero también incierta. Para
de la modelación de la infraestructura natural. Muchas usarla de manera inteligente en la toma de decisiones,
veces, los análisis de infraestructura gris convencional es necesario transparentar las fuentes de error, analizar
usan resultados de un modelo hidrológico calibrado en forma crítica los resultados obtenidos y reconocer
manualmente, en ocasiones ignorando o suponiendo que hay la probabilidad de que los valores reales se
que no existe ninguna incer tidumbre asociada. La encuentren fuera del intervalo de confianza obtenido
modelación hidrológica debe ser vista por sí misma con la modelación.
Fuentes de incertidumbre
Efectuar simulaciones es un ejercicio que involucra de (i) podría ser realizada cualitativamente, con base en un
manera inherente el manejo de incer tidumbre; es “criterio experto” y experiencia; (ii) podría estar basada
imposible eliminarla por completo, dado que proviene en información cuantitativa secundaria, obtenida de
de varias fuentes. Las proyecciones o evaluaciones ex documentos publicados, informes de otros sitios o
ante requieren considerar suposiciones acerca de cómo publicaciones científicas; o (iii) podría basarse en
cambiarán las variables del sistema hidrológico en el información primaria, obtenida en el sitio de interés
futuro, producto de las inter venciones sobre la aplicando metodologías estandarizadas para la colección
infraestructura natural propuestas. Estas suposiciones de datos con fines de evaluación. En todo caso, la
se fundamentan en diferentes fuentes de información, generación de escenarios para la modelación hidrológica
las que a su vez están asociadas a diversos niveles de es un ejercicio que introduce incer tidumbre, pues
incertidumbre. Por ejemplo, una simulación ex ante requiere realizar predicciones acerca de cómo serán las
puede considerar que las tasas de infiltración de agua condiciones futuras del sistema hidrológico: clima; tipos
en el suelo aumentarán en 10 % por efecto de las y extensión de vegetación; parámetros hidrológicos; o
intervenciones propuestas en una zona de interés. Esta manejo e intervención humana. En toda predicción del
suposición podría tener diferentes grados de confianza: futuro existe incertidumbre.

“En toda predicción del futuro
existe incertidumbre”.
Todavía hay grandes vacíos en la evidencia científica características computacionales, técnicas o de tiempo
acerca de los cambios producidos por efecto de las disponibles para generar las simulaciones. Aun si las
intervenciones sobre la infraestructura natural (p. ej., ecuaciones fuesen muy complejas, con el fin de
ver las revisiones sistemáticas de Bonnesoeur et al., representar mejor los procesos reales, la computación
2019; Locatelli et al., 2020; Willems et al., 2021; Molina de dichas ecuaciones es inexacta debido a errores de
et al., 2021; Mosquera et al., 2021). Para muchos de aproximación o errores numéricos durante los cálculos
los servicios ecosistémicos hídricos se desconocen aún efectuados. El error de aproximación o error numérico
cuáles son los efectos potenciales de las intervenciones es una medida del ajuste o del cálculo de una magnitud
debido a que no se han monitoreado o estudiado con respecto al valor real o teórico que dicha magnitud
suficientemente sus cambios o, incluso, las condiciones tiene. Un aspecto impor tante de los errores de
de base iniciales. En muchas ocasiones, un limitado aproximación es su estabilidad numérica, estabilidad
conjunto de estudios refleja indicios de la dirección de que se refiere a cómo dentro de un algoritmo de
los impactos (incremento o reducción en la producción análisis numérico el error de aproximación es
de servicios ecosistémicos), pero no se conoce la propagado dentro del propio algoritmo. En todos los
magnitud exacta de los cambios. Aun cuando los problemas es fundamental hacer un seguimiento de
estudios son abundantes, pueden existir contradicciones los errores introducidos, cometidos y generados, a fin
y controversias en la información reportada, debido a de poder estimar el grado de aproximación de la
la influencia de diversos factores que convergen en las solución que se obtiene y su “intervalo de confianza”
condiciones locales de los sitios de estudio y que o su “nivel de incertidumbre”. Los errores asociados
determinan la dirección de los impactos. En estos casos a los cálculos numéricos se originan en dos factores
es necesario generar información primaria del sitio de
principales: 1) errores inherentes a la formulación del
interés, que permita identificar las características que
problema; y 2) consecuencia del método empleado
pueden determinar estas diferencias. Finalmente, aun
para encontrar la solución del problema.
cuando existe consenso en la evidencia científica acerca
de la dirección y magnitud de los cambios sobre los
servicios ecosistémicos en sitios específicos, es difícil El primer tipo de error (error de formulación) se
extrapolar esta información a los sitios de interés. cuantifica como la diferencia entre el valor real de una
Varios estudios recogen información en un espacio variable y el valor aproximado de esta, producto de la
limitado, bajo escalas y condiciones específicas o simulación del modelo. Una fuente de este tipo de
controladas, tales como cober tura vegetal, tipo de errores se origina en la imprecisión de los datos físicos:
suelo y clima. Entonces, la limitada información existente constantes físicas y datos empíricos. Los datos medidos
y los vacíos de información introducen incertidumbre no son precisos a causa de los instrumentos utilizados;
en los modelos hidrológicos que la incorporan para la por ejemplo, la medida exacta del nivel de agua en un
generación de simulaciones de escenarios. río puede ser 24.5 cm, pero si una regleta no mide
decimales, el valor puede ser redondeado a 25 cm. Del
Aun cuando exista confianza en la información mismo modo, si un observador introduce errores
ingresada en un modelo hidrológico, el modelo por sí humanos en las mediciones, ellos serán asimilados en
mismo puede introducir errores en los cálculos. Estos el modelo. Los errores en la medida de los datos
errores pueden originarse en el hecho de que las empíricos tienen un carácter por lo general aleatorio,
ecuaciones utilizadas son, en sí mismas, una simplificación y su tratamiento analítico es imprescindible para
del sistema real y, por lo tanto, sacrifican exactitud en contrastar el resultado obtenido computacionalmente.
dicha representación. Existe un compromiso entre la
complejidad de las ecuaciones que utilizan los modelos En lo que se refiere al segundo tipo de error (error
y su versatilidad y operatividad, dadas las limitadas computacional), tres son sus fuentes principales:

a) Equivocaciones en la realización de las operaciones. c) La última fuente de error computacional se presenta
Es decir, no es despreciable la probabilidad de que cuando los cálculos aritméticos no pueden realizarse
el modelador calcule como correcto un resultado con precisión ilimitada. Muchos números requieren
erróneo. Además, la presencia de “bugs” no infinitos decimales para ser representados en forma
detectados en el software del modelo puede causar correcta; sin embargo, para operar con ellos es
errores de este tipo. Estos errores se denominan necesario redondearlos (p. ej., reemplazar el número
“errores de bulto”. π por el valor de 3.14). Incluso algunas operaciones
aritméticas pueden originar errores; por ejemplo,
b) El error causado por resolver el problema no como las divisiones a veces producen números que deben
se ha formulado, sino mediante algún tipo de ser redondeados, mientras que las multiplicaciones
aproximación; por ejemplo, la aproximación de una podrían dar lugar a más dígitos de los que se pueden
integral mediante una suma finita de los valores de almacenar en la memoria del computador. El error
que se introduce al redondear un número se
una función, o la resolución de una ecuación
denomina “error de redondeo”.
diferencial reemplazando las derivadas por una
aproximación de diferencias finitas. Este tipo de
error se denomina “error por truncamiento”, ya
que resulta de interrumpir un proceso infinito para
reemplazarlo por uno finito.
Considerando que hay varios factores que contribuyen a las predicciones efectuadas en un modelo
hidrológico, es conveniente clasificar las fuentes debido a que no todos los métodos de estimación de
incertidumbre analizan todas las fuentes existentes. La incertidumbre total de las predicciones de un
modelo se puede conformar por una variedad de fuentes de incertidumbre (p. ej., Gupta et al., 2005),
y pueden clasificarse de la siguiente manera (Montanari, 2007; Solomatine & Wagener, 2011):
a) Incertidumbre del modelo perceptual. Es la observados incluyen incertidumbres de medición

abstracción en la mente del sistema hidrológico, de precipitación y caudal e incertidumbre de
que luego se traduce en el modelo conceptual interpolación de precipitación. Por otro lado, una
(numérico) (ver la sección 1.5, “Desarrollo de incertidumbre de datos no observados puede
modelos hidrológicos”). Un ejemplo común en constituir escenarios de modelamientos futuros,
los Andes es la forma en que se abstrae nuestro los cuales se basan en suposiciones de cómo
entendimiento del funcionamiento hidrológico cambiará el sistema en el futuro.
de un bofedal. Si bien podría haber consenso en
que un bofedal actúe como un reservorio, el agua c) Incertidumbre de la estimación de parámetros.
almacenada en este puede provenir de una fuente Corresponde a la incapacidad de localizar un
de agua subterránea o agua superficial. Proceder único conjunto de mejores parámetros de
en la parametrización con una suposición de que modelo basados en la información disponible,
el agua almacenada en un bofedal es exclusiva incapacidad también conocida como equifinalidad
de agua superficial podría traer problemas más (Beven, 2006; ver la sección “Método GLUE”).
adelante en el balance hidrológico o producir
inconsistencias con valores observados. d) Incertidumbre estructural del modelo. Es la
introducida a través de simplificaciones,
b) Incertidumbre de los datos y escenarios. Aquí inexactitudes y ambigüedades de la descripción
se pueden incluir datos obser vados o no de los procesos reales.
obser vados. Ejemplos simples de datos

Propagación de incertidumbre
Es claro que las mediciones cumplen un papel importante para la calibración y validación de modelos hidrológicos.
De igual manera, los escenarios cumplen una función significativa para observar cómo se comportará el sistema
en el futuro. Aun así, es necesario reconocer que esta información de entrada está asociada a incertidumbre. La
incertidumbre de datos hidrológicos varía típicamente entre el 10 % al 40 %, pero puede ser incluso mayor del
100 %, dependiendo del tipo de dato específico (McMillan, 2018). Los escenarios se construyen a partir de
suposiciones y modelos sobre cómo cambiará el uso de suelo, la demanda de agua o el clima. Estas predicciones
tienen grandes incertidumbres asociadas (Figura 36).
Servicio
Ecosistémico Debido a que las condiciones iniciales de por sí
Hídrico involucran incertidumbre, así como todo el proceso
de modelación, los resultados finales son
susceptibles a la propagación de incertidumbre.
Tiempo de
Condición inicial proyección Proyección
T1 T2 Tiempo
Figura 36. Propagación de incertidumbre de una variable desde las condiciones iniciales hasta los resultados de pre-
dicción. Adaptado de: ECMFW (2017).
No es común evaluar el impacto de todas las incertidumbres agregadas, a causa de que la incertidumbre total de
la predicción será tan alta que hará imposible tomar una decisión en este caso. Sin embargo, a veces es útil entender
el impacto de la calidad de información de entrada en la incertidumbre total de la predicción, aunque esta última
no se calcule. Por ejemplo, se puede cuantificar la incertidumbre de medición de una estación hidrométrica en
los resultados de un modelo hidrológico. Los vertederos triangulares “tipo V” tienen alta precisión para la medición
de caudales bajos, pero su incertidumbre aumenta para la medición de caudales altos (Herschy, 2009; ISO 18365,
2013). Las observaciones de caudales extremos, las cuales son usadas para calibrar modelos de inundaciones,
pueden ser utilizadas para evaluar el efecto de la incertidumbre de este tipo de estaciones en las predicciones
realizadas. En ocasiones, la propagación de incertidumbre de las variables de entrada puede ser mayor que la
incertidumbre asociada a la estimación de valores de los parámetros (Kavetski et al., 2006).
“La propagación de incertidumbre de las variables de

entrada puede ser mayor que la incertidumbre asociada
a la estimación de valores de los parámetros”.

Métodos de análisis de incertidumbre
Sin importar qué modelos hidrológicos se utilicen, las solo en torno a experimentos aleatorios o
tomadoras y tomadores de decisión deben estar muestras aleatorias (Neyman, 1937). El conjunto
conscientes de la incer tidumbre inherente en las total de todos los resultados posibles de un
predicciones modeladas, es decir, de que los modelos experimento aleatorio es llamado espacio muestral
producen estimaciones de los servicios ecosistémicos del experimento. Un evento se define como un
y de los impactos de las intervenciones en infraestructura subconjunto par ticular del espacio muestral
natural que están basadas en datos y suposiciones, los considerado. Para un evento dado, solamente
cuales acarrean incertidumbre propia. Bullock & Ding existen dos posibilidades: i) el evento ocurre; o ii)
(2018) proponen tres enfoques para el análisis de la no ocurre. La frecuencia relativa de ocurrencia de
incertidumbre: un evento se calcula como el número de
ocurrencias del evento sobre el número de
• Obtener datos reales sobre la producción y flujo repeticiones del experimento aleatorio. Este es el
de los servicios ecosistémicos modelados. Aun si concepto clave del enfoque frecuentista, donde se
hay poca información disponible, se deben evaluar considera que mientras el número de repeticiones
las salidas de los modelos con estos datos. Si los del experimento se incrementa, los cambios en la
modelos no son de un nivel aceptable de precisión, frecuencia relativa disminuyen y tienden a un límite
entonces se debe pensar en hacer uso de modelos determinado (la probabilidad del evento). La
alternativos u otros valores de parámetros prueba de hipótesis, siguiendo la inferencia
calibrados para mejorar el ajuste del modelo a los frecuentista, determina si una hipótesis puede ser
datos reales. aceptada o rechazada con cier to nivel de
significancia estadística, la cual se calcula como la
• Correr ensamblajes de modelos. Esto significa probabilidad de observar algo por lo menos tan
correr múltiples modelos para un mismo ejercicio extremo como lo que objetivamente se observó
y utilizar la media de los valores resultantes entre en un experimento (probabilidad conocida como
los modelos para tomar una decisión, o evaluar las “p-valor” o “p-value”), bajo la suposición de que
variaciones entre los resultados de los diferentes la hipótesis nula es verdadera.
modelos como una medida de la incertidumbre.
• Enfoques bayesianos. Corresponden a una
• Tratar la modelación como un proceso continuo. interpretación de la probabilidad como una
Esto significa correr los modelos y servirse de ellos expectativa razonable que representa un estado
para tomar las decisiones necesarias, pero, en el de conocimiento o la cuantificación de una creencia
momento de implementarlas, usar información personal (Cox, 1946). La interpretación bayesiana
adicional obtenida durante su ejecución para de la probabilidad puede ser vista como una
evaluar y mejorar las modelaciones, afinando las extensión de la lógica proposicional que permite
estimaciones en cada iteración. razonar con hipótesis. La probabilidad bayesiana
per tenece a la categoría de probabilidades
En esta guía recomendamos, además, la aplicación de probatorias (con evidencia), para lo cual se asigna
métodos rigurosos de análisis de incertidumbre para una probabilidad a priori para evaluar una hipótesis.
evaluar las salidas de los modelos hidrológicos con el Esta probabilidad es actualizada a una probabilidad
fin de probar hipótesis. Las hipótesis son proposiciones a posteriori mientras datos nuevos y relevantes
cuya verdad o falsedad son desconocidas y que son (evidencia) se vuelven disponibles. La inferencia
probadas a través de experimentos y repeticiones. bayesiana deriva la probabilidad a posteriori como
una consecuencia de dos antecedentes: i) la
• Enfoques frecuentistas. Corresponden a la probabilidad a priori; y ii) una función de
interpretación de la probabilidad de un evento “verosimilitud” (likelihood, en inglés), que se deriva
como el límite de su frecuencia relativa luego de de un modelo estadístico con los datos observados
múltiples repeticiones. Las probabilidades pueden utilizando el teorema de Bayes sobre probabilidad
ser determinadas, en principio, por un proceso condicional. En la inferencia bayesiana, una
objetivo repetible y, por tanto, están idealmente probabilidad es asignada a una hipótesis, mientras
desprovistas de opiniones subjetivas. Bajo esta que, en la inferencia frecuentista, una hipótesis es
interpretación, las probabilidades se determinan probada sin que se le asigne una probabilidad.

“Sin importar qué modelos hidrológicos se
utilicen, las tomadoras y tomadores de decisión
deben estar conscientes de la incertidumbre
inherente en las predicciones modeladas”.
Método GLUE (generalised likelihood uncertainty estimation)
El método GLUE (Beven & Andrew, 1992) es un método problema puede ser visto como una evaluación y
informal bayesiano usado en la hidrología para cuantificar comparación entre modelos para saber qué tan buenas
la incertidumbre en las predicciones de los modelos. La son estas representaciones de la incertidumbre. Hay
idea básica de este método es que, dada nuestra un entendimiento implícito de que los modelos usados
incapacidad de representar con exactitud cómo funciona son aproximaciones de lo que podría ser obtenido
la naturaleza en un modelo matemático, siempre existirán mediante un análisis bayesiano del problema, si un
varios diferentes modelos que imiten de manera modelo completamente adecuado de los procesos
igualmente buena los procesos naturales observados, tal hidrológicos del mundo real existiese. El método GLUE
como la generación de caudal. Esta similitud en la es equivalente al cálculo bayesiano aproximado para
aceptabilidad de los modelos se conoce como equifinalidad algunas elecciones de funciones estadísticas de
(Beven & Freer, 2001). La equifinalidad rechaza la idea de evaluación y umbrales de desempeño. Sin embargo,
que hay una sola solución óptima, puesto que el tiene varios detractores y es objeto de críticas por
conocimiento que tenemos del sistema bajo consideración profesionales en estadística más formales.
es imperfecto, y estima que varios conjuntos de modelos,
parámetros y variables pueden ser considerados iguales, Siguiendo el esquema de modelación automática
o casi iguales, simulaciones del sistema. planteado antes (Figura 25), el proceso de análisis de
incertidumbre, tomando en cuenta el método GLUE,
El método GLUE trata con modelos cuyos resultados se realiza con los resultados de las simulaciones del
se expresan como distribuciones de probabilidad de modelo (etapa 3). Es decir, reemplazamos el proceso
salidas posibles, frecuentemente en forma de de análisis de desempeño por un proceso de análisis
simulaciones Monte Carlo o LHS (Figura 37), y el de incertidumbre (Figura 37).

Análisis de PASOS 1 2 … … M M: Número de
incertidumbre
parámetros
1
2
(Monte Carlo, Latin
simulados …
Distribución de
1 2 … … T
X
1 combinaciones
2
… MODELACIÓN
…
N
E L 1 2 … … T
Y N: Número de 1 1 1
simulaciones
2 2 2
ANÁLISIS DE … … …
INCERTIDUMBRE
… … G Z
N N Z: Número de simulaciones
que cumplen un criterio de
… … desempeño
Figura 37. Análisis de incertidumbre de un modelo de simulación. Fuente: Elaboración propia.
La matriz Y de resultados simulados es analizada para verosimilitud es igual a cero (L = 0), y se consideran
evaluar cómo varía el desempeño de cada línea de finalmente solo las simulaciones que son mejores que
simulación frente al conjunto de datos observados, con dicho umbral. Utilizando, entonces, la función de
lo que se obtiene la matriz E de indicadores de verosimilitud para aquellas simulaciones que cumplen
desempeño. Esta lista de resultados de indicadores es el umbral establecido, se obtiene un subconjunto de
ordenada de “mejor desempeño” (simulación más simulaciones G, de las cuales se extrae una función de
cercana a los datos observados) a “peor desempeño”. probabilidad de los resultados. Procesando esta función
En el método GLUE (Figura 37), los indicadores de de probabilidad para un nivel de confianza establecido
desempeño son utilizados como un proxy para (p. ej., 90 %, 95 %, 99 %), se determinan los rangos
aproximar la función de verosimilitud L, es decir, se mínimo y máximo que encierran las observaciones
asigna una probabilidad más alta a una simulación que (Figura 38). Estos rangos mínimo y máximo representan
tiene un mejor desempeño que a una simulación que las bandas de incertidumbre asociadas al subconjunto
tiene un mal desempeño. De manera adicional, se de simulaciones generadas por el modelo al nivel de
considera un umbral de desempeño equivalente al significancia establecido, las cuales representan la
criterio de “cumple” o “no cumple”, similar al análisis incertidumbre relacionada con las múltiples fuentes de
de sensibilidad RSA (Figura 31). Se descar tan las error involucradas, incluyendo la equifinalidad de los
simulaciones que no cumplen el umbral, es decir, cuya parámetros y variables que son parte del modelo.

Variable Datos observados
Rango de incertidumbre
Máx
Mín
Tiempo
Figura 38. Representación conceptual de las bandas de incertidumbre determinadas con el método GLUE. Fuente:
“La equifinalidad rechaza la idea de que

existe una sola solución óptima, y estima
que varios conjuntos de modelos, parámetros
y variables pueden ser considerados iguales,
o casi iguales, simulaciones del sistema”.
Otros métodos para estimación de incertidumbre

GLUE es el método más popular en hidrología y es el Monte Carlo incluyen el filtro Kalman y sus extensiones
que se halla disponible, con mayor frecuencia, acoplado (Kitanidis & Bras, 1980), el enfoque DYNIA (Wagener
a algunos modelos hidrológicos,. Por esto, el método et al., 2003), el enfoque BaRe (Thiemann et al., 2001) y
GLUE es aceptado para la mayoría de aplicaciones de el algoritmo SCEM–UA (Vrugt et al., 2003). Algunos
modelos hidrológicos. Aun así, no es el único disponible. enfoques para casos de estudios específicos incluyen
El análisis de incertidumbre de predicciones hidrológicas análisis de riesgos de inundaciones (Beven & Hall, 2014;
es un tema de investigación todavía en desarrollo, y se Hall & Solomatine, 2008), pronósticos hidrológicos
cuenta con una amplia gama de métodos, todos ellos (Montanari & Grossi, 2008) y cuencas no monitoreadas
con ventajas y desventajas. Existen diferentes métodos (Blöschl et al., 2013).
basados en una variación específica de las simulaciones
Monte Carlo, denominados Monte Carlo vía cadenas de Un punto final que se debe considerar es que el método
Markov (Markov chain Monte Carlo, o MCMC, por sus GLUE y la mayoría de métodos basados en simulaciones
siglas en inglés). Estos métodos se utilizan para muestrear Monte Carlo solamente tratan una fuente de
parámetros de la distribución a posteriori. Entre ellos se incertidumbre: la incertidumbre asociada a la estimación
encuentra el algoritmo Metropolis–Hastings (MH) de parámetros. Nuevos métodos se están desarrollando
(Metropolis et al., 1953; Hastings, 1970) y el algoritmo para tratar de manera conjunta las diferentes fuentes
DREAM, que es una versión más eficiente aplicada para de incertidumbre, entre ellos el enfoque de multimodelos
modelos hidrológicos (Vrugt et al., 2008a; Vrugt et al., bayesianos (Ajami et al., 2007) y la asimilación de datos
2008b). Algunos otros métodos basados en simulaciones (Lui & Gupta, 2007).

Foto: Carlos Palacios

PASO 10. INTERPRETACIÓN DE RESULTADOS
El uso de modelos para la evaluación de la infraestructura Por ejemplo, si un modelo produce 100 simulaciones
natural está sometido a las diferentes fuentes de error para la variable de caudal, de las cuales 90 generan
mencionadas. Es necesario que los resultados obtenidos resultados de entre 3 y 7 m3/s, entonces se puede decir
por las simulaciones sean evaluados crítica y que el valor estimado de caudal es de 5 m3/s, con un
detalladamente a fin de reducir la probabilidad de que intervalo de confianza de 90 % entre 3 y 7 m3/s. Aun
tengan un impacto inesperado o perjudicial en la toma así, es importante reconocer que los resultados, en
de decisiones. Por ejemplo, si una decisión depende de este caso, indican que todavía existe un 10 % de
que una variable se encuentre por encima o por debajo probabilidad de que el caudal real se encuentre fuera
de un valor crítico dado, y el resultado de la modelación de dicho rango, lo que usualmente significa que hay un
sitúa al resultado estimado de la variable muy 5 % de probabilidad de que el caudal sea menor de 3
peligrosamente cerca de dicho valor, es necesario m3/s y otro 5 % de probabilidad de que sea mayor de
cuantificar y analizar los errores asociados al resultado 7 m3/s, aunque esto depende del tipo de distribución
obtenido a fin de tomar decisiones informadas. Si el de probabilidad que mejor se ajuste a los datos
error estimado total no es suficiente para que la variable analizados. Generalmente se utiliza una distribución de
cruce dicho valor crítico, puede tomarse con confianza probabilidad normal, la cual tiene una forma acampanada
la decisión. Pero si el error estimado es suficientemente y es simétrica con respecto a la media. En otras
grande como para dar cabida a la posibilidad de que el ocasiones, o para ciertas variables más sesgadas, el uso
resultado de la variable se encuentre del otro lado de de distribuciones asimétricas, finitas o discretas es
dicho umbral crítico, entonces la decisión tomada estará también posible.
asociada a un cierto nivel de confianza.
“La modelación hidrológica debe ser vista

como una herramienta útil pero incierta”.

La incertidumbre debe considerarse en la proyección de confianza definido. En términos generales, es ampliamente

todos los posibles resultados de los escenarios de aceptado que los traslapes entre los intervalos de
evaluación, como se ilustra en la Figura 39. Es posible confianza deben ser menores de un 5 % para poder
que, en ciertos niveles de incertidumbre, los resultados declarar los como cambios “estadísticamente
del escenario BAU se traslapen con los del escenario IN significativos” (similar a un p-valor < 0.05). Es decir, si
o SEM, no necesariamente porque los impactos de las las “colas” de las distribuciones de probabilidad entre
intervenciones no sean efectivos, sino debido a errores dos escenarios (p. ej., BAU vs. IN) se cruzan en más de
introducidos por la disponibilidad de datos, la estructura un 5 %, la decisión tomada acarrea un riesgo más alto
del modelo o la variabilidad natural. Sin embargo, es de que los efectos observados no sean resultado de las
necesario incluir análisis de incertidumbre en los cálculos intervenciones sobre la infraestructura natural analizadas,
del modelo y, por tanto, en los análisis de los beneficios sino de artefactos matemáticos durante la modelación
hídricos de la infraestructura natural con un intervalo de hidrológica computacional.
Servicio
Ecosistémico La incertidumbre está presente en todos los
Hídrico escenarios proyectados y, por tanto, debe ser
considerada al evaluar los beneficios estimados.
S
SEHS
A
SEHA
SEHR
R
SEHB B
SEHP
P
T1 T2 Tiempo
Figura 39. Incertidumbre en las proyecciones de todos los posibles escenarios futuros. Fuente: Ochoa–Tocachi et al. (2018b).

Aclaraciones sobre el uso del p-valor
El mal uso del p-valor es común porque es un concepto • El nivel de significancia de 0.05 es meramente
malinterpretado con frecuencia. La Asociación Estadística una convención. El nivel “alfa” (α) de significancia
Americana declara que los p-valores pueden indicar de 0.05 (confianza de 95 %) es usado con frecuencia
cuán incompatibles son los datos con respecto a un como el límite entre un p-valor estadísticamente
modelo específico (Wassertein & Lazar, 2016). Desde significativo y uno no significativo. Sin embargo, ello
un enfoque de prueba de hipótesis Neyman-Pearson, no implica que exista una razón científica general
los datos obtenidos al comparar el p-valor con un nivel para considerar que resultados que se encuentran
de significancia arrojarán uno de dos resultados: i) la en lugares opuestos de cualquier umbral sean
hipótesis nula se rechaza (lo que, sin embargo, no prueba cualitativamente diferentes.
que la hipótesis nula sea falsa); o ii) la hipótesis nula no
puede ser rechazada a dicho nivel de significancia (lo • El nivel de significancia representa un balance
que, sin embargo, no prueba que la hipótesis nula sea de decisiones. El nivel de significancia escogido
verdadera). Desde un enfoque de inferencia estadística representa el error tipo I de una prueba de hipótesis,
de Fisher, un p-valor bajo significa que la hipótesis nula es decir, la probabilidad de rechazar la hipótesis nula
es verdadera y que un evento altamente improbable ha cuando esta es cierta. De manera similar, existe un
ocurrido, o que la hipótesis nula es falsa. La siguiente nivel “beta” (β), donde 1-β es la potencia de una
lista clarifica algunos problemas comúnmente prueba estadística. β representa el error tipo II de
malentendidos con respecto a los p-valores (Schervish, una prueba, es decir, la probabilidad de aceptar una
1996; Sterne & Smith, 2001; Wassertein & Lazar, 2016): hipótesis nula cuando la hipótesis nula es falsa. Si se
analizan estos errores en un escenario de toma de
• El p-valor no es la probabilidad de que la decisiones, se puede inferir que llevan a un costo
hipótesis nula sea cierta o la probabilidad de asociado diferente, por ejemplo, inver tir en
que la hipótesis alternativa sea falsa. Un p-valor infraestructura natural cuando no se alcanzará un
puede indicar el grado de compatibilidad entre un valor umbral deseado, versus no inver tir en
conjunto de datos y una explicación hipotética infraestructura natural cuando de todas maneras
particular, como la hipótesis nula. Específicamente, (sin infraestructura natural) se llegaría a un umbral
el p-valor puede ser tomado como la probabilidad deseado. Este último ejemplo tendrá diferentes
a priori de obtener un efecto que es por lo menos costos asociados para eventos extremos de
tan extremo como el efecto observado, en caso de inundaciones o para escenarios de escasez de agua.
que la hipótesis nula sea cierta. Esto no debe ser El costo y la probabilidad asociada a cada uno de
confundido con la probabilidad a posteriori de que los errores se podrían balancear, dependiendo de
la hipótesis nula sea cierta dado el efecto observado. la complejidad del análisis y de la necesidad de las
De hecho, profesionales en estadística frecuentista tomadoras y tomadores de decisión.
no asignan probabilidades a las hipótesis.
• El p-valor no indica el tamaño o importancia
• El p-valor no es la probabilidad de que los del efecto observado. Un p-valor pequeño puede
efectos observados fueron producidos solo por ser observado para un efecto que no es considerable
azar. El p-valor se calcula bajo la suposición de que o importante. De hecho, mientras más grande sea
un cierto modelo —usualmente, la hipótesis nula— el tamaño de la muestra, más pequeño será el efecto
es cierto. Esto significa que el p-valor es un enunciado mínimo necesario para producir un p-valor
acerca de la relación de los datos con la hipótesis. estadísticamente significativo. La visualización del
tamaño de los efectos es un componente crítico
de un método de análisis de datos llamado
estadísticas de estimación.
“El mal uso del p-valor es común debido a que

es un concepto malinterpretado con frecuencia”.

Comunicando los resultados de modelamiento
Los resultados de modelamiento como series de tiempo estadístico. En el momento de escoger el tipo de
suelen ser de poca utilidad para tomar una decisión. Por posprocesamiento, el equipo a cargo de la estimación
lo general, la pregunta de gestión planteada no se de beneficios debe centrarse en las preguntas de gestión
responde de manera directa presentando una serie de y en los objetivos declarados durante el proceso de
tiempo; en casi todas las ocasiones es necesario realizar modelamiento. Está claro que esta es una tarea adicional
un posprocesamiento de resultados del modelamiento a la modelación hidrológica propiamente dicha; sin
para que los resultados finales y las diferencias entre los embargo, la comunicación entre el equipo de
escenarios utilizados cobren sentido en un contexto de modelamiento y el equipo de formulación y toma de
toma de decisiones. Este posprocesamiento puede darse decisiones es necesaria para entender con mayor
como una visualización de datos o como un tratamiento facilidad los resultados obtenidos.
“La comunicación entre el equipo de

modelamiento y el equipo de formulación y
toma de decisiones es necesaria para entender
con mayor facilidad los resultados obtenidos”.
El tratamiento y comunicación de resultados debe tener Cuando se trata de eventos extremos es posible que
como objetivos: i) responder a la pregunta de gestión se requiera otro tipo de técnicas de posprocesamiento.
formulada; y ii) incluir rangos de la estimación. El Por ejemplo, responder a la pregunta de cuánto riesgo
tratamiento de datos puede incluir operaciones de inundaciones son capaces de reducir las intervenciones
aritméticas o técnicas estadísticas simples previas a la en infraestructura natural propuestas puede resultar
visualización. La manera más simple de obser var imposible con una serie de tiempo en bruto. Dependiendo
beneficios hidrológicos entre dos series de tiempo (p. del número de años simulados, es posible obtener
ej., BAU vs. IN) es calculando las diferencias de los algunos valores de extremos, los cuales pueden ser
resultados de la variable en cuestión entre los escenarios. insuficientes para informar sobre los beneficios
De esta manera, por ejemplo, los datos de la serie de hidrológicos de infraestructura natural en eventos con
tiempo pueden ser agrupados por mes o por estación altos periodos de retorno (p. ej., cien años). Estos
del año para obtener valores que permitan diferenciar resultados de la serie de tiempo tendrían que
la disponibilidad de agua o de un servicio ecosistémico extrapolarse haciendo un ajuste estadístico a una función
prioritario durante cada año. Los conjuntos de datos de distribución de extremos como Pareto generalizada
agrupados poseerán valores atípicos (“outliers”) debido (GP) o valor extremo generalizada (GEV). Los intervalos
a la presencia de eventos extremos en la simulación. Sin de predicciones pueden ser construidos a través de los
embargo, para conocer la disponibilidad media de agua métodos presentados en el Paso 9 y, para todos los
a lo largo del año es conveniente usar medias o medianas casos, deben acompañarse de una explicación de cómo
con desviaciones estándar o cuantiles, dependiendo de fueron calculados los intervalos de beneficios y qué
la normalidad de distribución. Estos resultados se pueden fuentes de incertidumbre incluyen. De manera alternativa,
presentar de manera visual en forma de series de tiempo los rangos de predicción pueden derivarse de métodos
o como diagramas de cajas y bigotes, o en forma de estadísticos de posprocesamiento; por ejemplo, los
texto o tablas; en ambos casos, agregados mensualmente intervalos de confianza para análisis de valores extremos
o por temporada. pueden obtenerse del ajuste de los resultados de
modelamiento a una distribución de valores extremos
por bootstrapping (Figura 40).

Caudal
Sin intervención
Con intervención
400
Rango de incertidumbre
300
m3/s
200
100
Periodo de
retorno
2 5 10 20 50 100 200 500

Años
Figura 40. Presentación de intervalos de confianza derivados de un posprocesamiento de datos. Fuente: Elaboración
propia.
La Figura 40 ilustra los resultados de un ejercicio de los dos escenarios, lo cual quiere decir que no se deberían
modelación que evalúa la probabilidad de ocurrencia de esperar resultados tempranos en el proyecto, cosa
inundaciones sin intervenciones (rojo) y con intervenciones totalmente entendible dado el tiempo que demandan las
(verde) sobre la infraestructura natural. Al comparar los intervenciones sobre la infraestructura natural para
resultados promedio (líneas continuas), se observa una producir efectos medibles en los indicadores hidrológicos
clara diferencia entre ambas alternativas, lo que sugiere seleccionados. Esto sugiere prudencia para que las
que la situación sin intervención es más susceptible de tomadoras y tomadores de decisión sientan confianza en
inundaciones que el escenario con intervención. Por las intervenciones a mediano y largo plazo, y no esperen
ejemplo, en un escenario sin intervención se espera que ver resultados reflejados tan pronto como el proyecto
cada 20 años ocurra un evento de caudal de hasta 240 haya sido implementado en territorio. En la Figura 40, a
m3/s; en comparación, en un escenario con intervención partir del segundo año hasta el año 50, los rangos de
sobre la infraestructura natural se espera que cada 20 incertidumbre entre los escenarios no se cruzan, lo que
años ocurra un evento de caudal de apenas 180 m3/s. Si,
hace posible fortalecer la confianza de que se esperan,
por ejemplo, la cota máxima de la defensa de inundaciones
efectivamente, resultados medibles y distinguibles entre
o del sistema de alerta temprana es de 200 m3/s, este
la situación sin intervención versus el escenario con
umbral será sobrepasado con más frecuencia en la
intervención. A partir del año 50 en adelante, los rangos
situación sin intervención que en el escenario con
intervención. También es posible hacer la lectura e de incertidumbre vuelven a cruzarse entre escenarios, lo
interpretación de manera inversa: se espera que un caudal cual sugiere que existe la probabilidad de que no se
de 200 m3/s ocurra con una frecuencia de cada 10 años puedan distinguir los efectos de las intervenciones de
en una situación sin intervención, pero, en contraste, se manera clara. Mientras más nos aventuramos al futuro,
espera que el mismo caudal ocurra apenas cada 50 años los rangos de incertidumbre se vuelven más amplios y
en un escenario con intervención sobre la infraestructura los traslapes son mayores, lo que refleja nuestro
natural. Esta diferencia es muy significativa para la gestión desconocimiento de las condiciones futuras de la
del riesgo de desastres. infraestructura natural y de lo que se puede esperar al
realizar proyecciones para dentro de muchos años.
Cuando se incluye un análisis de incertidumbre (líneas
punteadas), el ejercicio puede parecer más complejo. Este tipo de análisis puede brindar algunas ventajas
En realidad, así se añade información importante para la adicionales al solo análisis de un evento de tormenta de
toma de decisiones (Figura 40). Durante el primer par diseño específica o una serie de tiempo de caudal
de años, los rangos de incertidumbre se traslapan entre observada y simulada. Los resultados de un ajuste

estadístico a distribución de extremos brindarán que los resultados de un modelo hidrológico necesitan,
información e inter valos de confianza de varios por lo general, un tratamiento posterior para que
periodos de retorno a la vez, lo que hace posible tengan sentido en un contexto de toma de decisiones.
cuantificar múltiples beneficios del control de La manera específica de procesamiento, visualización
inundaciones, sino de probabilidad de falla de y presentación de resultados dependerá de la pregunta
infraestructura hidráulica, la cual ocurre en menores de gestión, los objetivos de modelamiento y el público
periodos de retorno (5 a 15 años, por lo general). objetivo al que se comunican los resultados. Finalmente,
el manejo del riesgo y la existencia de planes de
Los ejemplos presentados no son exhaustivos y no respaldo y contingencia son elementos que deben ser
pretenden serlo. El objetivo de esta sección es aclarar considerados en la toma de decisiones final.
“La manera específica de procesamiento,

visualización y presentación de resultados
dependerá de la pregunta de gestión, los objetivos
de modelamiento y el público objetivo”.
Ejemplo de aplicación
Retomando el ejemplo de aplicación de la cuenca Tambo–Ilo–Moquegua mostrado en el Volumen I (Figura 10),
se recopila información biofísica para el modelo hidrológico seleccionado. La Figura 41 presenta un mapa con
los datos disponibles en la cuenca, incluyendo modelo digital de elevación, estaciones meteorológicas, estaciones
de aforo de caudal, mapa de suelos y características biofísicas. La Figura 42 muestra mapas de cobertura y uso
de suelo para los años 2000, 2010 y 2019.
200000 280000 360000
±
885000 990000
±
LEYENDA
8250000
8250000
8260000
8260000
Mapa de Suelos (FAO)
Subcuencas SWAT
Estaciones Meteorológicas
(
! (PISCO ~10 km)
Y Estaciones de Aforo
X
Elevación (msnm)
8170000
29 - 750 8170000
751 - 1,500
1,501 - 2,250 AREQUIPA
8200000
8200000
PUNO
2,251 - 3,000
3,001 - 3,750
8080000
8080000
3,751 - 4,500
4,501 - 5,665
km
0 20 40 80
885000 990000
8150000
8150000
LEYENDA
Límite departamental
Cuenca Tambo-Moquegua
Puente Santa Rosa Represa Pasto Grande

Y
X Lagos
Tumilaca
Y
X
8100000
8100000
Ríos
Clasificación de Suelos
MOQUEGUA Glaciares
OC
Luvisoles Regosoles
…A
N
I-Bh-Tv-c Re5-1a
O
PA
I-Re-c Andosoles
CÕ
TACNA
FIC
I-Tv-c
Tv4-a
O
8050000
8050000
Fluvisoles
km Tv6-b
0 10 20 40 Je7-3a
200000 280000 360000
Figura 41. Datos disponibles en la cuenca Tambo–Ilo–Moquegua. Datos de elevación, estaciones meteorológicas,
estaciones de aforo de caudal, mapa de tipos de suelos y características biofísicas. Fuente: Elaboración propia.

2000 2010 2019
LEYENDA Cambio 2000-2010 Cambio 2010-2019
Cobertura y uso de suelo
Lagunas Pajonal
Arenales Matorral
Loma Desierto
Cardonal Sin vegetación
Bofedal Nieve
Área minera Área agropecuaria
Área intervenida Área urbana
Bosque
Cambio de cobertura y uso de suelo

Ganancia Otros
Pérrdida No Cambio
Figura 42. Mapas de cobertura y uso de suelo en la cuenca Tambo–Ilo–Moquegua para los años 2000 (a), 2010 (b)
y 2019 (c). Fuente: Elaboración propia.
Haciendo uso de la herramienta HIRO (Román et al., 2020), se identifican 354,933 ha priorizadas para la provisión
de servicios ecosistémicos hídricos. De ese total, 67,745 ha son prioritarias para el servicio de regulación hídrica;
175,426 ha son prioritarias para el servicio de control de erosión; y 111,762 ha son prioritarias para ambos
servicios ecosistémicos (Figura 43).
Regulación Hídrica
Control de Erosión
67,745 ha
Ambos SEH Solo regulación hídrica
354, 933 ha 175,426 ha

Priorizas para la Solo control de erosión
provisión de SEH
111,762 ha
Ambos servicios
ecosistémicos hídricos
Figura 43. Áreas de importancia hídrica para la provisión de servicios ecosistémicos hídricos, identificadas con la
herramienta HIRO. Fuente: Elaboración propia.

Con esta información se construyen los escenarios de modelación propuestos: BASE, BAU, PES y SEM.
• Escenario BASE
• Se considera el estado actual del sistema que se modelará.
• Escenario BAU
• Proyección de cambio de cobertura y uso de suelo al año 2060, considerando drivers

antrópicos y naturales. La proyección se basa en la tasa de pérdida de cobertura observada
en el periodo 2000–2019.
• Cambio de cobertura y uso de suelo antrópico, siguiendo la tendencia observada entre

2000–2010/2010–2019:
• Tasa de pérdida: 6,300 ha/década
• Cobertura perdida al 2060: 25,200 ha
• Cambio de cobertura natural, asumiendo que coberturas poco favorables amplían su rango
de distribución por estresores ambientales:

• Coberturas en expansión: área sin vegetación altoandina y arenales
• Tasa de pérdida: 3,300 ha/década
• Cobertura perdida al 2060: 13,400 ha
• Se registran pérdidas de cobertura y cambios de uso de suelo en 138,307 ha.
• Escenario PES
• Las áreas priorizadas por HIRO se encuentran totalmente degradadas al año 2060.
• Las 354,933 ha priorizadas por HIRO son asignadas coberturas “degradadas”, dependiendo
de los usos de suelo y ecosistemas cercanos a las zonas degradadas.
• Escenario SEM
• Las áreas priorizadas por HIRO se encuentran totalmente conservadas al año 2060.
• Las 354,933 ha priorizadas por HIRO son asignadas como cobertura “conservada”,
dependiendo de los ecosistemas y usos ideales cercanos a las zonas señaladas.
Los escenarios BASE, BAU, PES, y SEM se muestran en la Figura 44.

(a) Base (b) BAU
(c) PES (d) SEM
LEYENDA
Cuenca Tambo-Moquegua Cobertura y uso de suelo Bofedal Pajonal Intervención con IN

Lagos Área intervenida Bosque Loma Degradación
Ríos Área minera Cardonal Matorral Sin vegetación
Arenales Desierto Áreas agropecuarias Área urbana
Figura 44. Escenarios BASE (a), BAU (b), PES (c) y SEM (d) para la cuenca Tambo–Ilo–Moquegua. Fuente: Elaboración propia.
La Figura 45 muestra los resultados del proceso de calibración y validación para las subcuencas de Santa Rosa
y Tumilaca. Como se aprecia, las dos estaciones de caudal generan datos con magnitudes bastante diferentes (Santa
Rosa con uno o dos órdenes de magnitud superiores a Tumilaca). A pesar de que los datos en Tumilaca parecen
menos cercanos a los datos observados, los datos en Santa Rosa parecen más aproximados debido, precisamente,
al amplio rango en la magnitud de los caudales.

Tumilaca
Modelados
Observados
15
Caudal (m3 s)
10
2005 2010 2015

Fecha
Santa Rosa
1000
Modelados
Observados
750
Caudal (m3 s)
500
250
1980 1990 2000 2010

Fecha
Figura 45. Ejemplo de calibración y validación de modelación de caudal en las subcuencas Santa Rosa y Tumilaca, dentro
de la cuenca Tambo–Ilo–Moquegua. Fuente: Elaboración propia.

Resultados 50 PES
Tumilaca
BAU
SEM
40
Caudal (m3 s)
30
20
10
2 5 10 20 50 100 200 500

Periodo de retorno (Años)
Temporada húmeda Temporada seca
20
30
Caudal (MMC)
Caudal (MMC)
15
20
10
10 5
0
Pesimista BAU SEM Pesimista BAU SEM
0.03
Sedimentos (kT/año)
0.02
0.01
0.00
Pesimista BAU SEM
Figura 46. Resultados obtenidos para la subcuenca Tumilaca, dentro de la cuenca Tambo–Ilo–Moquegua. Fuente:

Resultados 2000 PES
BAU
Santa Rosa SEM
1500
Caudal (m3 s)
1000
500
2 5 10 20 50 100 200 500

Periodo de retorno (Años)
Temporada húmeda Temporada seca

1000
2000
750
1500
Caudal (MMC)
Caudal (MMC)
1000 500
500 250
0 0
Pesimista BAU SEM Pesimista BAU SEM
800
600
Sedimentos (kT/año)
400
200
Pesimista BAU SEM
Figura 47. Resultados obtenidos para la subcuenca Santa Rosa, dentro de la cuenca Tambo–Ilo–Moquegua. Fuente:
Como se observa en la Figura 46 (Tumilaca) y Figura 47 (Santa Rosa), los resultados pueden presentarse de
manera diferente. Para Tumilaca no se observan cambios significativos en el caudal en los tres escenarios modelados
(asimismo, la carga de sedimentos generada es despreciable en los tres casos). Para Santa Rosa existen cambios,
pero no son considerables. Sin embargo, se observan mayores diferencias en los periodos de retorno que pueden
producirse bajo los diferentes escenarios. La incertidumbre subyacente es bastante alta.

Conclusiones, recomendaciones e ideas clave
Los modelos hidrológicos otorgan un recurso para decisiones tienen objetivos que pueden ser muy
que las tomadoras y tomadores de decisión puedan ambiguos o vagos. Esto suele producir resultados que
atender una variedad de preguntas relacionadas con no aportan respuestas claras a las preguntas de gestión
los impactos de las inter venciones sobre la iniciales que se desean responder. La definición de
infraestructura natural y la cuantificación de sus objetivos claros es lo que define que el modelo que se
beneficios hidrológicos. Para ayudar en esta tarea, esta seleccione y se opere sea el adecuado.
Guía de modelación para la infraestructura natural
provee lineamientos detallados en pasos, con vistas a La modelación hidrológica y la generación de datos
la selección e implementación de modelos hidrológicos están íntimamente vinculadas y se nutren mutuamente.
para toma de decisiones. Por un lado, el monitoreo y la medición de datos
pueden mejorar los resultados de la modelación, así
Las herramientas de modelación son particularmente como la utilización de datos de entrada de mala calidad
útiles cuando los datos hidrológicos observados son brindarán, también, salidas modeladas de mala calidad.
escasos o inciertos en la región de interés. Sin embargo, Por otro lado, el uso de modelos puede contribuir a
seleccionar un modelo apropiado para apoyar la toma la mejora en el entendimiento de los procesos
de decisiones no es una tarea sencilla debido a una ecosistémicos y optimizar o informar la toma de datos.
variedad de elementos: complejidad de los modelos Por ejemplo, los métodos de análisis de sensibilidad
disponibles, capacidades técnicas locales, disponibilidad pueden guiar para saber hacia qué variables deben
de recursos, contexto de toma de decisiones, etc. Por enfocarse los esfuerzos en la toma de datos en campo.
tal razón, las tomadoras y tomadores de decisión deben
definir en forma clara el alcance de su análisis, evaluar Además, se evidencia que el simple uso de modelos
las características particulares de cada modelo para el populares con resultados presentados de manera muy
contexto en cuestión y realizar una autoevaluación de verosímil o con un nivel a priori muy elevado de precisión
sus recursos y capacidades para entender las necesidades o resolución espaciotemporal no necesariamente lleva
específicas por atender. Es común observar que varias a mejores o más útiles resultados para aplicaciones
iniciativas que tratan de usar modelos para su toma de específicas en proyectos de infraestructura natural. Por

Foto: Will Esspinoza
lo tanto, para obtener los resultados más adecuados escenarios construidos para proyectar el futuro, en la
que puedan ser aprovechados al máximo para la toma calibración de los parámetros del modelo, y en la misma
de decisiones, la elección del tipo y de la complejidad estructura y funcionamiento de este. En lugar de
del modelo debe realizarse de acuerdo con la ignorar la incertidumbre, lo que esta guía quiere es
disponibilidad de datos y la experiencia del equipo de persuadir que el análisis de la incertidumbre es una
trabajo. Esta guía permite a las formuladoras y herramienta impor tante para apoyar la toma de
formuladores de proyectos en infraestructura natural decisiones informada.
adaptar sus necesidades en el momento de diseñar y
evaluar intervenciones. Para esto, se deben considerar El uso de un conjunto de diferentes modelos podría
diferentes opciones de usos de datos y niveles de aumentar la robustez de resultados de simulación en
complejidad de modelación para evaluar la credibilidad, comparación con el empleo de modelos singulares.
legitimidad o prominencia del proceso de modelación Por ejemplo, frente a la incer tidumbre de la
y del resultado de las modelaciones. Algunas preguntas representatividad de uno u otro modelo de la realidad
que deben guiar este proceso son: ¿Está calibrado el local, es posible implementar varios modelos y
modelo?, ¿se evalúa la incertidumbre?, ¿se han involucrado analizarlos en ensamblaje para ofrecer un rango de
diferentes personas en el proceso? posibilidades mayor.
Las tomadoras y tomadores de decisión no deben Por último, es necesario considerar un enfoque de
esperar que los modelos hidrológicos les entreguen manejo de riesgo y contar con planes de respaldo y
soluciones de aplicación inmediata. En todo este contingencia como elementos en la toma de decisiones
proceso es imprescindible considerar en forma final. Los modelos son una herramienta de apoyo en
adecuada las fuentes de incertidumbre asociadas. Es la toma de decisiones, pero es fundamental reconocer
imposible eliminar la incertidumbre por completo, ya que son herramientas útiles y también inciertas. Contar
que se origina en las percepciones y simplificaciones con otros insumos que permitan tomar decisiones
del entendimiento de la realidad aplicadas a un modelo, informadas, permite aumentar la robustez de las
en los datos observados y no observados, en los conclusiones que guían las decisiones a la mano.

La modelación no es un reemplazo de la toma de más datos in situ (en particular, en áreas remotas y regiones
de poco presupuesto o ante limitaciones de capacidades técnicas locales). Por ejemplo, en los Andes tropicales
es necesario entender y monitorear más procesos que se desconocen en la actualidad, incluyendo la evapotranspiración
y los flujos de agua subterránea y subsuperficial, entre otros. El potencial de usar sensores de bajo costo con
telemetría, posiblemente en vinculación con esquemas de monitoreo participativo, ciencia ciudadana o ciencia
comunitaria, es una vía que puede apoyar este proceso. Estos datos combinados con resultados de modelos
hidrológicos robustos pueden multiplicar su valor para la toma de decisiones. El proyecto INSH impulsa, además,
el desarrollo de guías de monitoreo ecohidrológico para la evaluación de la infraestructura natural.
“Esta guía se desprende de una amplia

experiencia en la generación de información
de apoyo a la toma de decisiones
para la gestión de la infraestructura natural
y los recursos hídricos”.
Es fundamental desarrollar modelos que sean Finalmente, las aplicaciones de la modelación son variadas.
representativos de las realidades locales. Si bien es cierto Uno de los frentes más prometedores es el vinculado
que no siempre se cuenta con los recursos, datos y con el análisis de los beneficios hidro socioeconómicos
capacidad técnica necesarios para construir modelos, los de los proyectos de infraestructura natural (Anexo). En
modelos propios pueden ser más eficientes y útiles que esta guía sugerimos un flujo de análisis en donde la
los que ya existen. Muchos modelos populares usados modelación hidrológica juega un rol protagónico en varios
en la actualidad han sido desarrollados en otros países momentos del proceso. Para muchas aplicaciones es
para representar condiciones hidrológicas que no están necesario ir más allá de la cuantificación de los beneficios
presentes en el sitio de aplicación. Un caso común es el hídricos, es decir, ir hacia la cuantificación de beneficios
de los modelos que simulan escorrentía superficial por sociales y económicos; la consideración de cobeneficios,
exceso de infiltración (p. ej., usando el número de curva) externalidades, compromisos y costos; y el correspondiente
y que son aplicados en zonas geográficas donde los suelos balance de todos estos elementos para sustentar
tienen una alta capacidad de infiltración y las lluvias inversiones que sean sostenibles y rentables. Posteriores
presentan intensidades bajas. En un caso así, modelos que desarrollos de esta guía atenderán los detalles relacionados
simulan la escorrentía por exceso de saturación serían con el análisis de beneficios económicos y costo–
más representativos. Siguientes desarrollos de esta Guía efectividad, y la elaboración de modelos propios para
de modelación podrían abarcar la conceptualización y aplicaciones específicas.
desarrollo de modelos propios.
“Quedamos con la expectativa de que

este documento sea una contribución valiosa
al diseño y evaluación de proyectos de inversión
en infraestructura natural para la seguridad
hídrica, ante la escasez de datos
observados en varias regiones del mundo”.


Foto: Consejo de Recursos Hídricos de Cuenca Chancay -Lambayeque
Referencias
Ajami, N. K., Duan, Q., and Sorooshian S. (2007). An Beven K. J., Binley, A. (1992). The future of distributed
integrated hydrologic Bayesian multimodel combination models: model calibration and uncertainty prediction.
framework: Confronting input, parameter, and model Hydrological Processes. 6 (3): 279–298. doi:10.1002/
structural uncertainty in hydrologic prediction. Water hyp.3360060305. ISSN 0885–6087.
Resources Research 43: W01403.
Beven, K. J., Binley, A. (2014). GLUE: 20 years on.
Arnold, J. G., Kiniry, J. R., Srinivasan, R., Williams, J. R., Hydrological Processes. 28 (24): 5897–5918. doi:10.1002/
Haney, E. B., Neitsch, S. L. (2012). Soil and Water hyp.10082. ISSN 0885–6087.
Assessment Tool (SWAT) Version 2012. Texas Water Resources
Institute TR–439. Beven, K. J., Freer, J. (2001). Equifinality, data assimilation,
and uncertainty estimation in mechanistic modelling of
Arrow, K., Cropper, M., Gollier, C., et al. (2013). complex environmental systems using the GLUE methodology.
Determining benefits and costs for future generations. Science Journal of Hydrology. 249 (1–4): 11–29. doi:10.1016/S0022–
341, 349–350. 1694(01)00421–8. ISSN 0022–1694.
Bergström, S. (1992). The HBV model – its structure and Beven, K. J., Hall, J. (2014). Applied uncertainty analysis for
applications. SMHI Reports RH, No. 4, Norrköping. flood risk management. World Scientific.
Bergström, S. (1995). The HBV model. In: Singh, V. P. (Ed.). Beven, K. J., Kirkby, M. J. (1979). A physically based, variable
Computer models of watershed hydrology. Water Resources contributing area model of basin hydrology. Hydrological
Publications, Highlands Ranch, CO., 443–476. Sciences – Bulletin – des Sciences Hydrologiques, 24, 1.
Beven, K. J. (2006). A manifesto for the equifinality thesis. Beven, K. J., Young, P. (2013). A guide to good practice in
Journal of Hydrology 320: 18–36. modeling semantics for authors and referees. Water
Resources Research 49: 5092–5098.
Beven, K. J., Rainfall-runoff modelling: the primer / Keith
Beven. – 2nd ed. ISBN 978-0-470-71459-1. Blöschl, G., Sivapalan, M., Wagener, T., Savenije, H.,
Viglione, A. (2013). Runoff prediction in ungauged basins:
Beven, K. J. (2019). Towards a methodology for testing synthesis across processes, places and scales, Cambridge
models as hypotheses in the inexact sciences. Proceedings of University Press.
the Royal Society A. 475, 2018086220180862.

Boeker, E., van Grondelle, R. (1995). Environmental Cochrane, J. H. (1988). How big is the random walk in
physics. John Wiley & Sons, Chichester, England. GNP? Journal of Political Economy 96: 893–920.
Bonnesoeur, V., Locatelli, B., Guariguata, M. R., Ochoa– Cohen–Shacham, E., Walters, G., Janzen, C., Maginnis,
Tocachi, B. F., Vanacker, V., Mao, Z., Stokes, A., Mathez– S. (2016). Nature–based solutions to address global societal
Stiefel, S–L. (2019). Impacts of forests and forestation on challenges. Gland, Suiza: Unión Internacional para la
hydrological services in the Andes: a systematic review. Forest Conservación de la Naturaleza y de los Recursos Naturales.
Ecology and Management. 433, 569–584.
Commission of the European Communities (CEC).
Brauman, K. A. (2015). Hydrologic ecosystem services: (2009). Impact assessment guidelines. European
linking ecohydrologic processes to human well - being in Commission, Brussels, Belgium. [online] URL: https://ec.
water research and watershed management. WIREs Water europa.eu/info/law/law–making–process/planning–and–
2: 345–358. proposing–law/impact–assessments_en
Brauman, K.A., Bremer, L.L., Hamel, P., Ochoa-Tocachi, Cox, R. T. (1946). Probability, frequency and reasonable
B.F., Roman-Dañobeytia, F., Bonnesoeur, V., Arapa, E. expectation. American Journal of Physics. 14 (1): 1–10.
and Gammie, G. (2021b), Producing valuable information
from hydrologic models of nature-based solutions for water. Darcy, H. (1856). Les Fontaines de la Ville de Dijon: exposition
Integr Environ Assess Manag. et application des principes à suivre et des formules à employer
dans les questions de distribution d’eau. Dalmont, Paris.
Brauman, K. A., Daily, G. C., Duarte, T. K., Mooney, H.
A. (2007). The nature and value of ecosystem services: an Davies, B. (2020). Precision and accuracy in glacial geology.
overview highlighting hydrologic services. Annual Review of Disponible en: https://www.antarcticglaciers.org/glacial-
Environment and Resources 32: 67–98. geology/dating-glacial-sediments-2/precision-and-
accuracy-glacial-geology/
Brauman, K. A., Gammie, G., Bonnesoeur, V., Ochoa–
Tocachi, B. F., Arapa, E., Román, F., Cassin, J. (2021). ECMWF. (2017). How to pin down uncertainty in weather
Informing natural infrastructure investment decisions with forecasting. European Centre for Medium–Range Weather
hydrologic modelling: lessons learned from a case study in Forecasts. Reading, United Kingdom. URL: https://www.
Chancay–Lambayeque watershed, Peru. Proyecto ecmwf.int/en/about/media–centre/news/2017/how–pin–
Infraestructura Natural para la Seguridad Hídrica, Forest down–uncertainty–weather–forecasting
Trends, Lima, Perú.
Efron, B. (1979). Bootstrap methods: another look at the
Bremer, L. L., Hamel, P., Ponette–González, A. G., jackknife. The Annals of Statistics. 7 (1): 1–26.
Pompeu, P. V., Saad, S. I., Brauman, K. A. (2020). Who
are we measuring and modeling for? Supporting multilevel Efron, B., Tibshirani, R. J. (1993). An introduction to the
decision–making in watershed management. Water Resources Bootstrap. CRC–Press.
Research 56(1): e2019WR026011.
Entekhabi, D., Njoku, G., O’Neill, P. E., et al. (2010).
Bullock, J., Ding, H. (2018). A guide to selecting ecosystem The Soil Moisture Active Passive (SMAP) Mission. Proceedings
service models for decision–making: lessons from Sub–Saharan of the IEEE. 98(5): 704–716.
Africa. World Resources Institute. ISBN: 978–1–56973–
933–1. Fick, S. E., Hijmans, R. J. (2017). WorldClim 2: new 1 km
spatial resolution climate surfaces for global land areas.
Butts, M. B., Payne, J. T., Kristensen, M., Madsen, H. International Journal of Climatology. 37 (12): 4302–4315.
(2004). An evaluation of the impact of model structure on
hydrological modelling uncertainty for streamflow simulation. Fleming, M. J., Doan, J. H. (2000). Geospatial Hydrologic
Journal of Hydrology, 298, 242–266. Modeling Extension (HEC–GeoHMS). U. S. Army Corps of
Engineers – Institute for Water Resources – Hydrologic
Buytaert, W., Beven, K. J. (2010). Models as multiple Engineering Center (CEIWR–HEC). CPD–77.
working hypotheses: hydrological simulation of tropical
alpine wetlands. Hydrological Processes. 25, 1784–1799. Foster, M. E., Chen, D., Kieser, M. S. (2020). Metodologías
de cuantificación de beneficios hidrológicos de intervenciones en
Cash, D. W., Clark, W. C., Alcock, F., Dickson, N. M., cuencas (CUBHIC). Forest Trends, Kieser & Associates, LLC,
Eckley, N., Guston, D. H., Jäger, J., Mitchell, R. B. (2003). Proyecto INSH.
Knowledge systems for sustainable development. Proceedings
of the National Academy of Sciences 100(14): 8086.

García Hernández, J., Claude, A., Paredes, J., Roquier, Hastings, W. K. (1970). Monte Carlo sampling methods using
B., Boillat, J–L. (2014). Integrated flood forecasting and Markov chains and their applications. Biometrika 57(1): 97–109.
management system in a complex catchment area in the Alps
– implementation of the MINERVE project in the Canton of Herschy, R. (2009). Streamflow measurement. 3rd edition.
Valais. In A. Schleiss, Speerli, & Pfammatter (Eds.). Swiss CRC–Press.
Competencies in River Engineering and Restoration (pp.
87–97). London: Taylor & Francis Group. Hou, A. Y., Kakar, R. K., Neeck, S., et al. (2014). The
García Hernández, J., Foehn, A., Fluixá–Sanmartín, J., Global Precipitation Measurement Mission. Bulletin of the
et al. (2020). RS MINERVE – Technical manual, v2.25. Ed. American Meteorological Society 95(5): 701–722.
CREALP, Switzerland. ISSN 2673–2661.
https://www.crealp.ch/fr/accueil/le–crealp/ IISD. (2018). The multiple benefits of natural infrastructure.
telechargement–doc/category/173–manuels–utilisateur. Disponible en: https://www.iisd.org/articles/multiple–
html?download=219:rs–minerve–technical–manual benefits–natural–infrastructure
Grayson, R. & Bloschl, G. (2000). Spatial modelling of IPCC. (2014). Fifth assessment report (AR5) of the United
catchment dynamics. In: Grayson, R., Bloschl, G. (Eds). Spatial Nations Intergovernmental Panel on Climate Change (IPCC).
patterns in catchment hydrology: observations and modelling.
Cambridge: Cambridge University Press. p. 51–81 [chapter 3]. ISO. (2013). ISO 18365:2013. Hydrometr y –
Selection,establishment and operation of a gauging station.
Gupta, H. V., Beven, K. J., Wagener, T. (2005). Model
calibration and uncertainty estimation. In: Andersen, M. (Ed.). Kavetski, D., Kuczera, G., and Franks, S. W. (2006).
Encyclopedia of Hydrological Sciences, pp. 2015–2031. New Bayesian analysis of input uncertainty in hydrological
York, NY: Wiley. modeling: 1. Theory. Water Resources Research 42: W03407.
Gupta, H. V., Sorooshian, S., Yapo, P. O. (1999). Status Kitanidis, P. K., Bras, R. L. (1980). Real–time forecasting
of automatic calibration for hydrologic models: comparison with a conceptual hydrologic model: analysis of uncertainty.
with multilevel expert calibration. Journal of Hydrological Water Resources Research 16(6): 1025–1033.
Engineering. 4(2): 135–143.
Klemeš, V. (1986). Operational testing of hydrological
Gupta, H. V., Kling, H., Yilmaz, K. K., Martinez, G. F. simulation models. Hydrological Sciences Journal. 31(1):
(2009). Decomposition of the mean squared error and NSE 13–24.
performance criteria: implications for improving hydrological
modelling. Journal of Hydrology, 377(1–2), 80–91. Kolmogorov, A. (1933). Über die Grenzwertsätze der
Wahrscheinlichkeitsrechnung. Bull. (Izvestija) Acad. Sei.
Haines–Young, R. H., Potschin–Young, M. B. (2010). The URSS, 363–372.
links between biodiversity, ecosystem services and human
well–being. Ecosystem ecology: a new synthesis, 110–139. Kummerow, C., Barnes, W., Kozu, T., Shiue, J., Simpson,
J. (1998). The Tropical Rainfall Measuring Mission (TRMM)
Hall, J., Solomatine, D. (2008). A framework for uncertainty Sensor Package. Journal of Atmospheric and Oceanic
analysis in flood risk management decisions. International Technology. 15(3): 809–817.
Journal of River Basin Management, 6: 85–98.
Li, Z., Zhu, Q., Gold, C. (2005). Digital terrain modeling:
Hamel, P., Bremer, L. L., Ponette–González, A. G., principles and methodology. Boca Raton: CRC Press.
Acosta, E., Fisher, J. R. B., Steele, B., Cavassani, A. T.,
Klemz, C., Blainski, E., Brauman, K. A. (2020). The value Liu, Y., Gupta, H. V. (2007). Uncertainty in hydrologic
of hydrologic information for watershed management modeling: toward an integrated data assimilation framework.
programs: The case of Camboriú, Brazil. Science of The Total Water Resources Research 43: W07401.
Environment 705: 135871.
Locatelli, B., Homberger, J. M., Ochoa–Tocachi, B. F.,
Harbaugh, A. W. (2005). MODFLOW–2005, The U.S. Bonnesoeur, V., Román, F., Drenkhan, F., Buytaert, W.
Geological Survey modular ground–water model – The (2020). Impactos de las zanjas de infiltración en el agua y
Ground–Water Flow Process: U. S. Geological Survey los suelos de los Andes: ¿Qué sabemos? Resumen de
Techniques and Methods 6–A16. políticas, Proyecto Infraestructura Natural para la Seguridad
Hídrica, Forest Trends, Lima, Perú.
Harrison–Atlas, D., Theobald, D. M., Goldstein, J. H.
(2016). A systematic review of approaches to quantify Mace, G. M. (2008). Millennium Ecosystem Assessment.
hydrologic ecosystem services to inform decision–making. In: eLS. Chichester: John Wiley & Sons Ltd. Available at:
International Journal of Biodiversity Science, Ecosystem Services http://www.els.net
& Management 12: 160–171.

Manz, B., Buytaert, W., Zulkafli, Z., Lavado, W., Mosquera, G. M., et al. (2021). Progress in understanding the
Willems, B., Robles, L. A., Rodríguez–Sánchez, J. P. hydrology of high-elevation Andean grasslands under changing
(2016). High–resolution satellite–gauge merged land use. Science of The Total Environment 804: 150112.
precipitation climatologies of the tropical Andes, J. Geophys.
Res. Atmos., 121, 1190–1207. Muñoz, R., Huggel, C., Drenkhan, F., Vis, M., Viviroli, D.
(bajo revisión). Comparing model complexity for glacio–
Manz, B., Páez–Bimos, S., Horna, N., et al. (2017). hydrological simulation in the data–scarce peruvian Andes.
Comparative ground validation of IMERG and TMPA at Journal of Hydrology: Regional Studies.
variable spatiotemporal scales in the tropical Andes. Journal
of Hydrometeorology. 18(9): 2469–2489. Nash, J. E., Sutcliffe, J. V. (1970). River flow forecasting
through conceptual models. Part I – A discussion of principles.
Mazzilli, N., Guinot, V., Jourde, H. (2012). Sensitivity Journal of Hydrology. 27(3), 282–290.
analysis of conceptual model calibration to initialisation bias.
Application to karst spring discharge models. Advances in Neyman, J. (1937). Outline of a theory of statistical
Water Resources 42, 1–16. estimation based on the classical theory of probability. Phil.
Trans. R. Soc. Lond. A. 236 (767): 333–380.
McMillan, H. K., Westerberg, I. K., Krueger, T. (2018).
Hydrological data and its implications. WIREs Water, 5: e1319. Ochoa-Tocachi, B. F. & Cuadros-Adriazola, J. (2022).
CUBHIC 2.0: Metodologías de cuantificación de beneficios
Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., hidrológicos de intervenciones en cuencas – Manual de Uso.
Teller, A. H. (1953). Equations of state calculations by fast Proyecto Infraestructura Natural para la Seguridad Hídrica,
computing machines. Journal of Chemical Physics. 26(6): Forest Trends, Lima, Perú.
1087–1092.
Ochoa–Tocachi, B. F., Buytaert, W., De Bièvre, B., et
Millennium Ecosystem Assessment. (2003). Ecosystems al. (2016a). Impacts of land use on the hydrological response
and human well–being: our human planet. Washington, DC: of tropical Andean catchments. Hydrological Processes 30:
Island Press. 4074–4089.
Millennium Ecosystem Assessment. (2005). Ecosystems Ochoa–Tocachi, B. F., Buytaert, W., De Bièvre, B.
and human well–being: current state and trends, vol. 1. (2016b). Regionalization of land–use impacts on streamflow
Washington, DC: Island Press. using a network of paired catchments. Water Resources
Research 52: 6710–6729.
MINAM. (2019a). Resolución No. 178–2019–MINAM.
Lineamientos para la formulación de proyectos de inversión Ochoa–Tocachi, B. F., Buytaert, W., Antiporta, J., et al.
en las tipologías de ecosistemas, especies y apoyo al uso (2018a). High–resolution hydrometeorological data from a
sostenible de la biodiversidad. Ministerio del Ambiente, network of headwater catchments in the tropical Andes.
Lima, Perú. Scientific Data 5: 180080.
MINAM. (2019b). Mapa Nacional de Ecosistemas del Perú: Ochoa–Tocachi, B. F., Torres, S., Ochoa–Tocachi, E.
memoria descriptiva. http://geoservidor.minam.gob.pe/ (2018b). Diagnóstico, alcance y propuesta metodológica.
wp–content/uploads/2017/06/MEMORIA– Estudio del retorno sobre la inversión de las intervenciones del
DESCRIPTIVA–MAPA–DE–ECOSISTEMAS.pdf. Ministerio FONAG. ATUK Consultoría Estratégica y Fondo de Protección
del Ambiente, Lima, Perú. del Agua (FONAG), Quito, Ecuador.
Molina, A., Vanacker, V., Rosas–Barturen, M., Ochoa– Ochoa–Tocachi, B. F., Bardales, J. D., Antiporta, J., et
Tocachi, B. F., Bonnesoeur, V., Román–Dañobeytia, F., al. (2019a). Potential contributions of pre–Inca infiltration
Buytaert, W. (2021). Natural infrastructure interventions infrastructure to Andean water security. Nature Sustainability
and their effect on soil erosion mitigation in the Andes. EGU 2: 584–593.
General Assembly 2021: Gather Online, 19–30 April 2021.
European Geosciences Union. Ochoa–Tocachi, B. F., Tenelanda–Patiño, D. O., Ochoa–
Tocachi, E., et al. (2019b). Modelo hidrológico FONAG
Montanari, A., Grossi, G. (2008). Estimating the uncertainty fortalecido y automatizado. Generar y actualizar insumos y
of hydrological forecasts: a statistical approach. Water herramientas hidro–informáticas e hidroeconómicas para apoyar
Resources Research 44, W00B08. la toma de decisiones en la planificación hídrica del FONAG.
ATUK Consultoría Estratégica y Fondo de Protección del
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, Agua (FONAG), Quito, Ecuador.
R. L., Harmel, R. D., Veith, T. L. (2007). Model evaluation
guidelines for systematic quantification of accuracy in watershed
simulations. Transactions of the ASABE. 50(3): 885–900.

Ochoa–Tocachi, B. F., Alemie, T. C., Guzman, C. D., et Potschin, M. B. & Haines–Young, R. H. (2011). Ecosystem
al. (2019c). Sensitivity analysis of the parameter–efficient services exploring a geographical perspective, Progress in
distributed (PED) model for discharge and sediment Physical Geography 35: 575–94.
concentration estimation in degraded humid landscapes. Land Redhead, J. W., Stratford, C., Sharps, K. (2016). Empirical
Degradation and Development 30: 151–165. validation of the InVEST water yield ecosystem service model
Ochoa–Tocachi, B. F. (2020). Análisis de sensibilidad de los at a national scale. Science of The Total Environment. 569–580:
modelos CUBHIC. Proyecto Infraestructura Natural para la 1418–1426.
Seguridad Hídrica. Imperial College London y Forest Trends,
Lima, Perú. Refsgaard, J. C. (1996). Terminology, modelling protocol
and classification of hydrological model codes. In: Abbott M.
Ochoa–Tocachi, B. F., Tenelanda–Patiño, D. O., Ochoa– B. and Refsgaard J. C. (Eds.). Distributed hydrological modelling,
Pérez, P., et al. (2020a). Módulo de calibración automática 17–39. Dordrecht: Kluwer.
del modelo FONAG 2.1. Generar y actualizar insumos y
herramientas hidro–físicas, hidrométricas, hidro–informáticas e Román, F., Estévez, G., Aste, N., Moles, A. (2020). Guía
hidroeconómicas para apoyar la toma de decisiones en la HIRO – Herramienta de identificación rápida de oportunidades
planificación hídrica del FONAG. ATUK Consultoría Estratégica para la infraestructura natural en la gestión del riesgo de
y Fondo de Protección del Agua (FONAG), Quito, Ecuador. desastres. https://www.forest–trends.org/publications/
guia–hiro/
Ochoa-Tocachi, B. F. & Cuadros-Adriazola, J. (2022).
CUBHIC 2.0: Metodologías de cuantificación de beneficios Ronald, L. Wasserstein & Nicole A. Lazar. (2016). The
hidrológicos de intervenciones en cuencas – Manual de Uso. ASA’s statement on p–values: context, process, and purpose.
Proyecto Infraestructura Natural para la Seguridad Hídrica, The American Statistician, 70:2, 129–133. doi:
Forest Trends, Lima, Perú. 10.1080/00031305.2016.1154108.
Ochoa–Tocachi, B. F., Tenelanda–Patiño, D. O., Ochoa– Scharffenberg, B., Bartles, M., Brauer, T., Fleming, M.,
Pérez, P., et al. (2020b). Módulo de visualización gráfica y Karlovits, G. (2016). Hydrologic modeling system HEC–HMS
dinámica de resultados y análisis de sensibilidad para las salidas user’s manual. U.S. Army Corps of Engineers – Institute for
del modelo FONAG 2.1. Generar y actualizar insumos y Water Resources – Hydrologic Engineering Center (CEIWR–
herramientas hidro–físicas, hidrométricas, hidro–informáticas e HEC). CPD–74A.
hidroeconómicas para apoyar la toma de decisiones en la
planificación hídrica del FONAG. ATUK Consultoría Estratégica Schervish, M. J. (1996). P values: what they are and what
y Fondo de Protección del Agua (FONAG), Quito, Ecuador. they are not. The American Statistician. 50 (3): 203–206.
doi:10.2307/2684655. JSTOR 2684655.
Ozment, S., Feltran–Barbieri, R., Hamel, P., et al. (2018).
Natural infrastructure in São Paulo’s water system (World Scholz, L. (1980). Generación de caudales mensuales en la
Resources Institute: Washington DC, USA). sierra del Perú. Plan Meris II. Cuzco–Perú.
Palumbi, S. R., Sandifer, P. A., Allan, J. D., Beck, M. W., Sharp, R., Tallis, H. T., Ricketts, T., Guerry, A. D., Wood,
Fautin, D. G., Fogarty, M. J., Halpern, B. S., Incze, L. S., S. A., Chaplin–Kramer, R., Nelson, E., Ennaanay, D.,
Leong, J–A., Norse, E., et al. (2008). Managing for ocean Wolny, S., Olwero, N., Vigerstol, K., Pennington, D.,
biodiversity to sustain marine ecosystem services. Frontiers Mendoza, G., Aukema, J., Foster, J., Forrest, J., Cameron,
in Ecology and the Environment. 7: 204–211. D., Arkema, K., Lonsdorf, E., Kennedy, C., Verutes, G.,
Kim, C. K., Guannel, G., Papenfus, M., Toft, J., Marsik,
Pianosi, F., Beven, K. J., Freer, J., et al. (2016). Sensitivity M., Bernhardt, J., Griffin, R., Glowinski, K., Chaumont,
analysis of environmental models: a systematic review with N., Perelman, A., Lacayo, M., Mandle, L., Hamel, P., Vogl,
practical workflow. Environmental Modelling & Software. 79: A. L., Rogers, L., Bierbower, W., Denu, D., and Douglass,
214–232. J. (2018). InVEST user’s guide. The Natural Capital Project,
Stanford University, University of Minnesota, The Nature
Pianosi, F., Sarrazin, F. & Wagener, T. (2015), A Matlab Conservancy, and World Wildlife Fund.
toolbox for Global Sensitivity Analysis. Environmental
Modelling & Software, 70: 80–85. Singh, V. P. (1995). Watershed modeling. In: Computer
models of watershed hydrology, pp. 1–22. Highlands Ranch,
Pianosi, F., Wagener, T. (2015). A simple and efficient method CO: Water Resources Publication.
for global sensitivity analysis based on cumulative distribution
functions. Environmental Modelling & Software. 67: 1–11. Singh, J., Knapp, H. V., Arnold, J., Demissie, M. (2004).
Hydrologic modeling of the Iroquois river watershed using HSPF
Pianosi, F., Wagener, T. (2018). Distribution–based and SWAT. JAWRA Journal of the American Water Resources
sensitivity analysis from a generic input–output sample. Association, 41: 343–360.
Environmental Modelling & Software. 108, 197–207.

Sieber, A., Uhlenbrook, S. (2005). Sensitivity analyses of Van Meerveld, HJ(I.), Jones, JPG, Ghimire, CP, et al.
a distributed catchment model to verify the model structure. Forest regeneration can positively contribute to local
Journal of Hydrology. 310(1): 216–235. hydrological ecosystem services: Implications for forest
landscape restoration. J Appl Ecol. 2021; 58: 755– 765.
Sieber, J., Purkey, D. (2015). Water evaluation and planning
system (WEAP) user guide. Stockholm Environment Institute Vaze, J., Jordan, P., Beecham, R., Frost, A., Summerell,
SEI–US Water Program. G. (2011). Guidelines for rainfall–runoff modelling: towards
best–practice model application. eWater Cooperative
Smirnov, N. V. (1939). On the estimation of the discrepancy Research Centre.
between empirical curves of distribution for two independent Virtual Terrain Project. (2021). Disponible en http //
samples. Bull. Math. Univ. Moscow 2: 2. vterrain.org/Misc/usgs_data.html.
Solomatine, D. P., Wagener, T. (2011). Hydrological Vrugt, J. A., Gupta, H. V., Bouten, W., Sorooshian, S.
modelling (chapter 2.16). In: Treatise on water science, (2003). A shuffled complex evolution metropolis algorithm
volume 2: The science of hydrology, 435–457. for optimization and uncertainty assessment of hydrologic
model parameters. Water Resources Research 39(8): 1201.
Spear, R. C., Hornberger, G. M. (1980). Eutrophication
in peel inlet—II. Identification of critical uncertainties via Vrugt, J. A., ter Braak, C. J. F., Clark, M. P., Hyman, J.
generalized sensitivity analysis. Water Research. 14(1): 43–49. M., Robinson, B. A. (2008a). Treatment of input uncertainty
in hydrologic modeling: doing hydrology backward with
Sterne, J. A., Davey Smith, G. (January 2001). Sifting the Markov chain Monte Carlo simulation. Water Resources
evidence–what’s wrong with significance tests? BMJ. 322 Research 44: W00B09.
(7280): 226–31. doi:10.1136/bmj.322.7280.226.
Vrugt JA, ter Braak, C. J. F., Gupta, H. V., Robinson, B.
SUNASS. (2019). Proyecto de estudio tarifario de EPS A. (2008b). Equifinality of formal (DREAM) and informal
Moquegua S. A. (https://www.sunass.gob.pe/wp–content/ (GLUE) bayesian approaches in hydrologic modeling?
uploads/2020/09/eps_moquegua_revision_tarifa_– Stochastic Environmental Research and Risk Assessment 23:
2019_2022.pdf ). Superintendencia Nacional de Servicios de 1011–1026.
Saneamiento, Lima, Perú.
Wagener, T., McIntyre, N., Lees, M. J., Wheater, H. S.,
Tang, G., Clark, M. P., Papalexiou, S. M., Ma, Z., Hong, Gupta, H. V. (2003). Towards reduced uncertainty in
Y. (2020). Have satellite precipitation products improved conceptual rainfall–runoff modelling: dynamic identifiability
over last two decades? A comprehensive comparison of GPM analysis. Hydrological Processes 17(2): 455–476.
IMERG with nine satellite and reanalysis datasets. Remote
Sensing of Environment 240: 111697. Willems, B., Leyva–Molina, W. M., Taboada–Hermoza,
R., Bonnesoeur, V., Román, F., Ochoa–Tocachi, B. F.,
Tapley, B. D., Bettadpur, S., Ries, J. C., Thompson, P. F., Buytaert, W., Walsh, D. (2021). Impactos de andenes y
Watkins, M. M. (2011). GRACE Measurements of mass terrazas en el agua y los suelos: ¿qué sabemos? Resumen de
variability in the earth system. Science 305: 503–505. políticas, Proyecto Infraestructura Natural para la Seguridad
Hídrica, Forest Trends, Lima, Perú.
Thiemann, M., Trosser, M., Gupta, H., Sorooshian, S.
(2001). Bayesian recursive parameter estimation for Winsemius, H. C., Schaefli, B., Montanari, A., Savenije,
hydrologic models. Water Resources Research 37: 2521–2536. H. H. G. (2009). On the calibration of hydrological models
in ungauged basins: a framework for integrating hard and soft
Tung, Y. K. (1996). Uncertainty and reliability analysis. In: hydrological information. Water Resources Research, 45,
Mays L. W. (Ed.). Water resources handbook, pp. 7.1–7.65. W12422.
New York, NY: McGraw–Hill.
Woolhiser, D. A., Smith, R. E., Goodrich, D. C. (1990).
UICN. (2020a). Estándar global de la UICN para soluciones KINEROS, a kinematic runoff and erosion model: documentation
basadas en la naturaleza (primera edición). Unión Internacional and user manual. U.S. Department of Agriculture, Agricultural
para la Conservación de la Naturaleza. Research Service, ARS–77.
UICN. (2020b). Orientación para usar el Estándar Global de WWAP. (2018). The United Nations world water development
la UICN para soluciones basadas en la naturaleza. Un marco report 2018: nature–based solutions. Paris, UNESCO.
fácil de usar para la verificación, diseño y ampliación de las
soluciones basadas en la naturaleza (primera edición). Unión
Internacional para la Conservación de la Naturaleza.

Foto: Denis Justo Mayhua Coaquira

Foto: Bruno Bernal
www.infraestructuranatural.pe
El proyecto Infraestructura Natural para la Seguridad Hídrica promueve la conservación, restauración y recuperación de los ecosistemas
a nivel nacional, formando alianzas con organizaciones públicas y privadas para reducir los riesgos hídricos como sequías, inundaciones y
contaminación del agua.
El proyecto es promovido y financiado por la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID) y el Gobierno de
Canadá y ejecutado por Forest Trends, CONDESAN, la Sociedad Peruana de Derecho Ambiental (SPDA), EcoDecisión e investigadores
del Imperial College London.
¿Cómo citar este documento?
Ochoa-Tocachi, B. F., Cuadros-Adriazola, J., Arapa Guzman, E., Aste Cannock, N., Ochoa-Tocachi, E., Bonnesoeur, Bonnesoeur, V. (2022). Guía de
modelación hidrológica para la infraestructura natural. Forest Trends, Lima, Perú.

Guia de Modelacion Hidrologica para La in 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Guia de Modelacion Hidrologica para La in 2

Uploaded by

Copyright:

Available Formats

Guía de

Producción y cuidado de edición: Gabriel Rojas Guillén4

Mediación: Mercy Sandoval Carnaque4 | Guisella Infantes4 | Gabriel Rojas Guillén4

Diseño y diagramación: Javier Domínguez | Juan José Vásquez

Imagen de portada: Natalia Aste Cannock3

1 ATUK Consultoría Estratégica; Cuenca, Ecuador.

2 Proyecto Infraestructura Natural para la Seguridad Hídrica

Guía de modelación hidrológica para la infraestructura natural 3

4 Proyecto Infraestructura Natural para la Seguridad Hídrica

Fernando Momiy Hada Gena Gammie

Guía de modelación hidrológica para la infraestructura natural 5

6 Proyecto Infraestructura Natural para la Seguridad Hídrica

CONCLUSIONES, RECOMENDACIONES E IDEAS CLAVE 136

Guía de modelación hidrológica para la infraestructura natural 7

8 Proyecto Infraestructura Natural para la Seguridad Hídrica

Guía de modelación hidrológica para la infraestructura natural 9

Los objetivos específicos son:

• Guiar la implementación de modelos hidrológicos para la evaluación de la infraestructura natural, describiendo

¿A quién se dirige esta guía?

2. Especialistas en la formulación y evaluación de proyectos —con o sin entrenamiento en hidrología— en

3. Tomadoras y tomadores de decisión que no sean especialistas en hidrología o en modelación hidrológica,

10 Proyecto Infraestructura Natural para la Seguridad Hídrica

¿Cómo se organiza esta guía?

Guía de modelación hidrológica para la infraestructura natural 11

Paso 1. Determinar las preguntas de gestión y definir su alcance.

Paso 2. Identificar los servicios ecosistémicos hídricos prioritarios.

Volumen II. Detalles de la implementación de la modelación, con lineamientos y recomendaciones

Paso 6. Generar datos primarios o, en su defecto, compilar datos secundarios.

Paso 7. Elaborar escenarios de modelamiento para la evaluación de impactos futuros o alternativos.

Paso 8. Calibrar y validar el modelo hidrológico de manera robusta e idealmente automatizada.

Interpretar los resultados adecuadamente, con el objeto de generar indicadores relevantes

12 Proyecto Infraestructura Natural para la Seguridad Hídrica

Guía de modelación hidrológica para la infraestructura natural 13

Conceptos básicos Servicios

Conceptos básicos Desarrollo de

14 Proyecto Infraestructura Natural para la Seguridad Hídrica

1.1 Infraestructura natural

Guía de modelación hidrológica para la infraestructura natural 15

16 Proyecto Infraestructura Natural para la Seguridad Hídrica

“El manejo de la infraestructura natural

Guía de modelación hidrológica para la infraestructura natural 17

EJEMPLOS DE SERVICIOS ECOSISTÉMICOS

Valores Materias Regulación Fotosíntesis

Recreación y Recursos Regulación Ciclo de los

Salud física y Agua Regulación

Figura 2. Ejemplos de servicios ecosistémicos. Adaptado de WWF.

18 Proyecto Infraestructura Natural para la Seguridad Hídrica

Almacenamiento y flujo de aguas subterráneas

Guía de modelación hidrológica para la infraestructura natural 19

Existe un amplio espectro de servicios ecosistémicos importantes, entre ellos:

Provisión de agua en cantidad Captura y almacenamiento

Mitigación de riesgos Provisión de alimentos

Control de erosión Sostenimiento de la

Regulación hidrológica Belleza escénica, valor

1.3 Cascada de servicios ecosistémicos

20 Proyecto Infraestructura Natural para la Seguridad Hídrica

Guía de modelación hidrológica para la infraestructura natural 21

1.4 La práctica de la modelación hidrológica

22 Proyecto Infraestructura Natural para la Seguridad Hídrica

Paso 1: Determinar las Paso 6: Generar datos

Paso 7: Elaborar escenarios

Paso 9: Evaluar los

Paso 10: Interpretar los